DEEP LEARNING OBJECT DETECTION

PENGGUNAAN MASKER BERBASIS TENSORFLOW

DENGAN METODE MOBILENET-SSD

SKRIPSI

ABDUL RAHMAN
G 501 17 081

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO

MEI 2022
 DEEP LEARNING OBJECT DETECTION
PENGGUNAAN MASKER BERBASIS TENSORFLOW
DENGAN METODE MOBILENET-SSD

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Persyaratan

dalam Menyelesaikan Program Sarjana Strata Satu (S1)
Program Studi Statistika Jurusan Matematika FMIPA
Universitas Tadulako

ABDUL RAHMAN
G 501 17 081

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO

MEI 2022
 PERSETUJUAN PEMBIMBING

Judul : Deep Learning Object Detection Penggunaan Masker Berbasis

Tensorflow Dengan Metode MobileNet-Ssd

Nama : Abdul Rahman

Stambuk : G 501 17 081

Telah diperiksa dan disetujui untuk diajukan pada Seminar Hasil

Palu, April 2022

Pembimbing I Pembimbing II

Nur’eni, S.Si., M.Si Iman Setiawan, S.Si.,M.Si

NIP. 197107071998032003 NIP. 199207262019031017

Mengetahui,
Ketua Jurusan Matematika
MIPA Universitas Tadulako

Junaidi, M.Si., Ph.D

NIP. 197402262000121001

iii
 PENGESAHAN DEWAN PENGUJI

Judul : Deep Learning Object Detection Penggunaan

Masker Berbasis Tensorflow Dengan Metode
MobileNet-ssd

Nama : Abdul Rahman

Stambuk : G 501 17 081

Disetujui tanggal :

DEWAN PENGUJI

Ketua : Nur’eni, S.Si., M.Si Junidi M.h.D ………………...

Sekretaris : Iman Setiawan, S.Si., M.Si ………………...

Anggota : Mohammad Fajri, S.Si., M.Si Faj.S ………………...

Mengetahui,
Dekan FMIPA
Universitas Tadulako

Prof. Ir. Darmawati Darwis, S.Si., M.Si., Ph.D

NIP. 197111241997022001

iv
 PERNYATAAN

Dengan ini saya menyatakan bahwa dalam tugas akhir ini tidak terdapat karya yang

pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan

sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah

ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam

naskah dan disebutkan dalam daftar pustaka.

Palu, April 2022

Penulis,

Abdul Rahman
G 501 17 081

v
 ABSTRAK

Virus corona masuk ke Indonesia pada maret 2020 membuat pemerintah melakukan
tindakan penekanan angka penyebaran virus, salah satunya yaitu kewajiban memakai
masker saat berada diluar rumah. Untuk mengawasi pemakaian masker maka sistem
monitoring merupakan salah satu peran yang sangat penting, memanfaatkan peran
teknologi penekanan penyebaran virus akan jauh lebih efisien. Pada penelitian ini
akan dilakukan sistem monitoring object detection menggunakan MobileNet-Ssd
yang merupakan perkembangan dari Convolutional Neural Network (CNN) dengan
memanfaatkan library tensorflow dan Nvidia Cuda. Pada saat melakukan training
model digunakan iterasi atau steps sebanyak 25.000 pada hasil nilai loss yang
diperoleh menunjukan hubungan semakin banyak jumlah steps yang digunakan maka
akan mereduksi nilai loss sehingga menghasilkan model siap pakai dengan akurasi
pada data testing objek dengan 3 labels yaitu penggunaan masker (Mask) sebesar
88,18%, penggunaan masker tidak sempurna (Correction) sebesar 72,67%, dan tidak
menggunkan masker (NoMask) sebesar 82,28%. Secara keseluruhan komponen pada
deteksi objek labels bekerja dengan baik.

Kata Kunci: Object Detection, Deep Learning, MobileNet-Ssd

vi
 ABSTRACT

Corona virus that entered Indonesia in March 2020 made the government take action
to suppress the spread of the virus, one of which was the obligation to wear masks
when outside the home. To supervise the use of masks, the monitoring system is a
very important role, utilizing the role of technology to suppress the spread of the
virus will be much more efficient. In this study, an object detection monitoring
system will be carried out using MobileNet-SSD which is a development of the
Convolutional Neural Network (CNN) by utilizing the tensorflow library and Nvidia
Cuda. At the time of training the model used iterations or steps of 25,000. The results
of the loss value obtained show the relationship that the more the number of steps
used, the more the number of steps used will reduce the loss value so as to produce a
ready-to-use model, with accuracy in object testing data with 3 labels, namely the use
of masks (Mask). ) of 88.18%, the use of imperfect masks (Correction) of 72.67%,
and not using masks (NoMask) of 82.28%. Overall, the components detected by the
labels object work well.

Keywords: Object Detection, Deep Learning, MobileNet-Ssd.

vii
 KATA PENGANTAR

Assalaamu’alaikum Warahmatullaahi Wabarakaatuh

Alhamdulillaahirabbil’aalamiin, puji syukur atas ke-hadirat Allah Subhanahu

wa Ta’ala, karena atas rahmat dan hidayah-Nya sehingga penulis dapat
menyelesaikan penulisan skripsi ini. Penyusunan skripsi ini dimaksudkan untuk
memenuhi persyaratan dalam memperoleh gelar sarjana Strata (S1) pada Program
Studi Statistika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Tadulako. Penulis menyadari bahwa dalam penyusunan skripsi ini
tidak terlepas dari dukungan, doa, kerjasama, maupun bimbingan dari beberapa
pihak. Oleh karena itu, penulis mengucapkan terima kasih, rasa hormat serta
penghargaan kepada Ibu Nur’eni, S.Si., M.Si selaku pembimbing I, Bapak Iman
Setiawan, S.Si., M.Si selaku pembimbing II yang dalam kesibukannya masih
berkenan memberikan bimbingan terbaiknya dengan penuh kesabaran, keikhlasan
dan ketelitian sehingga penulisan skripsi ini dapat terselesaikan.
Pada kesempatan ini, penulis tidak lupa pula mengucapkan terima kasih dan
penghargaan yang sebesar-besarnya, kepada yang terhormat:
1. Bapak Prof. Dr. Ir. H. Mahfudz, MP selaku Rektor Universitas Tadulako
2. Ibu Prof. Ir. Darmawati Darwis, S.Si., M.Si., Ph.D selaku Dekan Fakultas
MIPA Universitas Tadulako
3. Bapak Junaidi, M.Si., Ph.D selaku ketua Jurusan Matematika Fakultas MIPA
Universitas Tadulako
4. Ibu Resnawati, S.Si., M.Si selaku Sekretaris Jurusan Matematika Fakultas
MIPA Universitas Tadulako.
5. Ibu Nur’eni, S.Si., M.Si selaku Koordinator Program Studi Statistika Jurusan
Matematika Fakultas MIPA Universitas Tadulako.
6. Bapak Mohammad Fajri, S.Si., M.Si selaku Ketua Laboratorium Statistika Dasar
Jurusan Matematika Fakultas MIPA Universitas Tadulako.
7. Ibu Lilies Handayani, S.Si., M.Si selaku Ketua Laboratorium Statistika Terapan
Jurusan Matematika Fakultas MIPA Universitas Tadulako.

viii
8. Ibu Iut Tri Utami, S.Si., M.Si selaku dosen pembimbing yang dalam
kesibukannya masih berkenan memberikan bimbingan terbaiknya.
9. Ibu Fadjryani, ST., M.Si, Bapak Iman Setiawan, S.Si., M.Si, Ibu Nurul Fiskia
Gamayanti, S.Si, M.Stat dan seluruh dosen FMIPA Universitas Tadulako.
10. Segenap Staf Tata Usaha Fakultas MIPA Universitas Tadulako.
11. Orang tua kandung penulis, ayahanda tercinta H Muhammad Yusuf dan ibunda
tercinta Hj Hasnawati Saudara kandung penulis Salma Pratiwi, Abdul Jabbar dan
Muhammad haykal yang telah menjadi penyemangat dan selalu mendoakan,
mendidik, memberi kasih sayang yang tulus dan mengorbankan segalanya demi
penyelesaian studi penulis.
12. Penyemangat Sinta Herlina Putri telah menjadi support sistem yang baik,
menjadikan pribadi yang lebih bertanggung jawab, membuka wawasan penulis
dalam menyelesaikan rintangan-rintangan kedepannya.
13. Rekan kerja terbaikku Andri Burhan S.Stat., Ade Hendrawan Krisdianto, M.
Fiqram Said, Ahmad Fahril, Muh Nur Izzu dan seluruh anggota group “kita-
kita” sudah membersamai penulis dalam susah dan senang, mengingatkan dalam
kebaikan, serta memberikan canda tawa selama penulis menempuh pendidikan.
14. Teman-temanku dan guru-guruku keluarga besar SD Inpres 2 Bantaya, SMP
Negeri 2 Parigi dan SMA Negeri 1 Parigi yang telah membantu dalam
pengembangan diri dan karakter sehingga menjadi pribadi yang lebih bermanfaat
untuk orang banyak.
15. Keluarga besar “SIGMA 06 R∑6ression”, Himastika dan Badan Riset
Mahasiswa yang telah membersamai penulis dalam tumbuh, berproses dan
menjadikan jiwa riset sebagai jiwa pribadi seorang peneliti.

Akhir kata penulis menyadari skripsi ini masih jauh dari kesempurnaan. Oleh karena
itu penulis mengharapkan kritik dan saran yang membangun. Semoga skripsi ini
dapat bermanfaat bagi semua pihak.
Palu, April 2022

Penulis

ix
 DAFTAR ISI

HALAMAN SAMPUL i
HALAMAN JUDUL ii
PERSETUJUAN PEMBIMBING iii
PENGESAHAN DEWAN PENGUJI iv
PERNYATAAN v
ABSTRAK vi
ABSTRACT vii
KATA PENGANTAR viii
DAFTAR ISI x
DAFTAR TABEL xii
DAFTAR GAMBAR xiii
DAFTAR SIMBOL xv
DAFTAR LAMPIRAN xvii

BAB I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 4
1.4 Manfaat Penelitian 4
1.5 Batasan Masalah 4

BAB II TINJAUAN PUSTAKA

2.1 Artificial Intelligence Error! Bookmark not defined.7
2.2 Machine Learning Error! Bookmark not defined.7
2.3 Deep Learning Error! Bookmark not defined.9
2.4 Tensorflow Error! Bookmark not defined.12
2.5 Object Detection Error! Bookmark not defined.13
2.6 Open Source Computer Vision Library 14
2.7 Citra Digital Error! Bookmark not defined.14
2.8 Convolutional Neural Network 3317
2.9 MobileNet-Ssd 3323
2.10 Confusion Matrix 3329
2.11 Nvidia Cuda 3332
2.12 Kerangka Pikir 3333

BAB III METODE PENELITIAN

3.1 Lokasi dan Tempat Penelitian 3535
3.2 Populasi dan Sampel Penelitian 3535
3.3 Prosedur Pengambilan Data 3535
3.4 Analisis Data 3636

BAB IV HASIL DAN PEMBAHASAN

4.1. Pengumpulan Data 3939

x
 4.2. Perencanaan Sistem Error! Bookmark not defined.41
4.3. Labelling Images Error! Bookmark not defined.42
4.4 Prepocessing Data Error! Bookmark not defined.42
4.5 Deep Learning Error! Bookmark not defined.43
4.5.1 Convolutional Neural Network 43
4.5.2 Jalur Konfigurasi Error! Bookmark not defined.48
4.6 Training Model Error! Bookmark not defined.54
4.6.1 Training Steps Error! Bookmark not defined.54
4.6.2 Nilai Loss Error! Bookmark not defined.55
4.6.3 Model Error! Bookmark not defined.56
4.4 Deteksi In Real Time Error! Bookmark not defined.57
4.4 Evaluasi Akurasi Error! Bookmark not defined.61

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan 7165
5.2 Saran 7265

DAFTAR PUSTAKA 7367

LAMPIRAN
RIWAYAT HIDUP...........................................................................................
SURAT KETERANGAN TELAH MELAKSANAKAN PENELITIAN
SURAT KETERANGAN PUBLIKASI
SURAT KEPUTUSAN (SK) PEMBIMBING SKRIPSI

xi
 DAFTAR TABEL

Tabel 2.1 : Ukuran Parameter dan Komputasi pada Depthwise Separable

Convolution 24

Tabel 2.2 : Tabel Klasifikasi Binary 30

Tabel 4.1 : Model Pengumpulan Data Gambar 39

Tabel 4.2 : Pembagian Data Training dan Testing 43

Tabel 4.3 : Hasil Simulasi Hidden Layer 43

Tabel 4.4 : Model CNN dengan 3 Hidden Layer 44

Tabel 4.5 : Tensorflow 2 Detectiom Model Zoo 48

Tabel 4.6 : Pipeline.config Yang Diperoleh 49

Tabel 4.7 : Pipeline.config Terperbaharui 51

Tabel 4.8 : Hasil Deteksi Penggunaan Masker (Mask) 57

Tabel 4.9 : Hasil Deteksi Penggunaan Masker Tidak Sempurna (Correction) 59

Tabel 4.10 : Hasil Deteksi Tidak Menggunakan Masker (NoMask) 60

xii
 DAFTAR GAMBAR

Gambar 2.1 : Arsitektur Deep Learning 9

Gambar 2.2 : Arsitektur MLP Sederhana 10

Gambar 2.3 : Fungsi Aktifasi ReLu 11

Gambar 2.4 : Contoh Deteksi Objek 13

Gambar 2.5 : Representasi Citra Digital dalam 2 Dimensi 16

Gambar 2.6 : Contoh Convolutional Neural Network 18

Gambar 2.7 : Fully Connected Layer 20

Gambar 2.8 : Alur Kerja MobileNet 23

Gambar 2.9 : Konvolusi Depthwise dan Pointwise 24

Gambar 2.10 : Alur Kerja Detekssi Objek 25

Gambar 2.11 : Contoh Deteksi Objek Menggunakan Single Shot Detector 26

Gambar 2.12 : Arsitektur VGG 16 26

Gambar 2.13 : Grafik Nilai Loss dan Jumlah Steps 29

Gambar 3.1 : Masker Anti Bacteia 35

Gambar 3.2 : Contoh Pengambilan Picture 36

Gambar 4.1 : Proses Pengambilan Gambar Otomatis 41

Gambar 4.2 : Proses Label Images 42

Gambar 4.3 : Arsitektur Jaringan dengan 3 Hidden Layer 45

Gambar 4.4 : Visualisasi Proses Perubahan Citra RGB Terhadap Matriks 6 × 6

dengan Kernel 3 × 3 46

Gambar 4.5 : Perkalian Matriks Kernel Terhadap Matriks Citra 47

Gambar 4.6 : Visualisasi Fungsi Aktifasi, Max Pooling dan Flatten 48

Gambar 4.7 : Pembaharuan Model config to training folder 50

xiii
Gambar 4.8 : Visualisasi Jalur Konfigurasi Traning Model 52

Gambar 4.9 : Sistem Upgrade Pipline.config 52

Gambar 4.10 : Visualisasi Arsitektur MobileNet 53

Gambar 4.11 : Visualisasi Alur Kerja ssd 53

Gambar 4.12 : Grafik Nilai Loss 56

Gambar 4.13 : Layer Konvolusi Dengan 3 Hidden Layer 56

Gambar 4.14 : Kesalahan Pendeteksian Objek 62

xiv
 DAFTAR SIMBOL

𝑀 : Jumlah piksel baris (row) pada array citra

𝑁 : Jumlah piksel kolom (column) pada array citra, Banyaknya kelas

𝐺 : Nilai skala keabuan (graylevel)

𝑚, 𝑛, 𝑘 : Bilangan bulat positif

𝑀𝑥 , 𝑀𝑦 : Ukuran feature maps

𝑆𝑥 , 𝑆𝑦 : Skipping factor (Stride)

𝐾𝑥 , 𝐾𝑦 : Ukuran kernel/filter

𝑛 : Letak layer pada saat proses

𝑊 : Ukuran volume gambar

𝐹 : Ukuran filter

𝑃 : Nilai padding yang digunakan

𝑆 : Ukuran pergeseran (stride)

𝑎𝑗 : Nilai dari pooling map

𝑎𝑖 : Nilai dari input map

𝜇(𝑛, 𝑛) : Window function

𝑓𝑐𝑘 : Keluaran

𝑏 : Bias

𝑤 : bobot

𝑡 : Banyaknya target pada layer FC

𝑥 : Nilai flatten, Nilai pada hidden layer

𝑓(𝑧) : Hasil fungsi

xv
𝑗 : Pengulangan sebanyak kelas

𝑊𝑇 : Bobot yang telah dilakukan transpose

𝐾 : Banyaknya kelas

𝑦 : Nilai output (1 untuk prediksi kelasnya dan 0 untuk kelas lainnya)

𝑝 : Nilai prediksi atau keluaran fungsi softmax

𝜃𝑡−1 : Bobot yang akan diupdate

𝑔𝑡 : Nilai gradient yang didapatkan

𝑚𝑡 : Memperbaharui bias momen pertama

𝑣𝑡 : Memperbaharui bias momen kedua

𝑚
̂𝑡 : Menghitung koreksi bias momen pertama

𝑣̂𝑡 : Menghitung koreksi bias momen kedua

𝜃𝑡 : Memperbaharui parameter

L𝑐𝑜𝑛𝑓 : Loss classification

𝐿𝑙𝑜𝑐 : Loss localization

𝐿 : Prediction box

𝑔 : truth graund box

𝑆𝑘 : Input pixel

𝑆𝑚𝑖𝑛 : Lapisan skala terendah

𝑆𝑚𝑎𝑥 : Lapisan skala tertinggi

𝑇𝑃𝑖 : Jumlah data positif yang terklasifikasi dengan benar untuk kelas ke-i

𝑇𝑁𝑖 : Jumlah data negatif yang terklasifikasi dengan benar untuk kelas ke-i

𝐹𝑁𝑖 : Jumlah data negatif namun terklasifikasi salah untuk kelas ke-i

𝐹𝑃𝑖 : Jumlah data positif namun terklasifikasi salah untuk kelas ke-i

𝑙 : Jumlah data kelas

xvi
 DAFTAR LAMPIRAN

Lampiran 1 : Data Training 71

Lampiran 2 : Data Testing 72

Lampiran 3 : Pipeline.config Terperbaharui 73

Lampiran 4 : Proses Training Steps 77

Lampiran 5 : Hasil Training Model MobileNet-Ssd 88

Lampiran 6 : Proses Training CNN Hidden Layer 1 89

Lampiran 7 : Proses Training CNN Hidden Layer 2 89

Lampiran 8 : Proses Training CNN Hidden Layer 3 90

Lampiran 9 : Proses Training CNN Hidden Layer 4 91

Lampiran 10 : Proses Training CNN Hidden Layer 5 92

Lampiran 11 : Proses Training CNN Hidden Layer 6 92

Lampiran 12 : Proses Training CNN Hidden Layer 7 93

Lampiran 13 : Proses Training CNN Hidden Layer 8 95

Lampiran 14 : Syntax Pengambilan Gambar Otomatis 96

Lampiran 15 : Syntax Convolutional Neural Network (CNN) 96

Lampiran 16 : Syntax MobileNet-Ssd 101

Lampiran 17 : Data Percobaan Deteksi Objek Penggunaan Masker (Mask) 103

Lampiran 18 : Data Percobaan Deteksi Objek Penggunaan Masker Tidak

Sempurna (Correction) 105

Lampiran 19 : Data Percobaan Deteksi Objek Tidak Menggunakan Masker

(NoMask) 106

xvii
xviii
Halaman ini sengaja dikosongkan
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Virus corona yang hadir ditengah-tengah masyarakat pada tahun 2020 sungguh
menyita perhatian. Berdasarkan laporan World Health Organization (WHO)
kasus konfirmasi virus corona secara global pada tanggal 1 Oktober 2021
terdapat 233.503.524 kasus termasuk didalamnya 4.777.503 meninggal dunia
(WHO, 2021). Data Badan Nasional Penanggulangan Bencana (BNPB)
terupdate pada tanggal 02 Oktober 2021 tercatat kasus terkonfirmasi di
Indonesia sebanyak 4.218.142 kasus dan 142.115 meninggal dunia. Salah satu
Provinsi dengan kasus konfirmasi terbesar adalah DKI Jakarta, dengan kasus
konfirmasi 857.914 dan 13.527 orang meninggal. Sampai saat ini untuk kasus
terus bertambah dengan konfirmasi pertanggal baik yang terkonfirmasi positif
ataupun meninggal dunia. Pemerintah setempat telah mengeluarkan peraturan
Gubernur pada imasiing-masing wilayah dimana masyarakat diwajibkan
memakai masker selama pandemi Covid-19, dalam upaya pencegahan dan
pengendalian corona virus disease 2019 (PERGUB No 20, 2021).

Penularan virus corona terjadi sangat cepat. Saat ini penyebaran Severe Acute
Respiratory Syndrome Coronavirus 2 (SARSCoV-2) dari manusia ke manusia
menjadi sumber transmisi utama sehingga penyebaran menjadi lebih agresif
(Susilo, 2020). Untuk mencegah terjadinya penularan ini pemerintah
menghimbau masyarakat menjaga jarak, mencuci tangan dan menggunakan
masker (Smithsonian, 2020). Faktanya masih banyak masyarakat yang tidak
menerapkan hal tersebut. Banyak faktor yang mempengaruhi ketidakpatuhan
masyarakat beberapa diantaranya pengetahuan, motivasi, persepsi dan
keyakinan terhadap upaya pengontrolan dan pencegahan penyakit, variabel
lingkungan, kualitas intruksi kesehatan, dan kemampuan mengakses sumber
yang ada (Sinuraya et al, 2018). Tingkat Pengetahuan seseorang yang sangat
 rendah akan menunjukkan ketidakpatuhan seseorang karena kurangnya
informasi yang didapatkan (Octavienty & Khairani, 2019).

Beberapa tempat yang dihimbau untuk menjaga jarak, cuci tangan dan
menggunakan masker diantaranya tempat ibadah, tempat pendidikan, tempat
kerja, tempat umum dan lainnnya, yang seharusnya menerapkan kewajiban
memakai masker di era new normal sekarang ini. Akan tetapi kurangnya
pengawasan mengakibatkan masih banyaknya pelanggaran yang terjadi (Ika &
Raharyani, 2020). Hal ini diakibatkan karena keterbatasan manusia yang tidak
dapat menjangkau secara keseluruhan masyarakat dalam keramaian ataupun
kerumunan, maka dari itu memaksimalkan peran teknologi sebagai upaya
membantu pekerjaan manusia dalam hal pengawaasan yakni mendeteksi secara
personal orang yang tidak menggunakan masker, menggunakan masker tidak
tepat dan menggunakan masker.

Object detection merupakan bagian dari penerapan sistem monitoring yang

merupakan proses mendeteksi objek yang bergerak dalam suatu video ataupun
image sequence yaitu potongan gambar yang terurut dari sebuah video.
Klasifikasi objek pada gambar yang diterapkan dapat mencontoh kemampuan
manusia dalam memahami informasi gambar ataupun video layaknya manusia.
Dengan demikian diharapkan komputer dapat melakukan pengenalan objek
layaknya otak biologis manusia walaupun dengan bentuk dan cara kerja yang
berbeda, dimana object detection dalam klasifikasi gambar mengindikasikan
deep learning (Jeon & Rhee, 2017). Deep learning merupakan bagian dari
machine learning yang terdiri dari banyak lapisan (hidden layer) dan
membentuk tumpukan, lapisan tersebut adalah sebuah algoritma atau metode
yang melakukan klasifikasi perintah yang diinput hingga menghasilkan output.
Jaringan ini menggunakan masukan berupa gambar, kemudian akan melalui
lapisan konvolusi dan diolah berdasarkan filter yang ditentukan. Untuk
mengoptimalkan kerja object detection sebagai sarana sistem monitoring maka
dibutuhkan iterasi yang besar dalam menemukan ketepatan suatu object
(Danukusumo, 2017).

2
 Penelitian terdahulu yang pernah dilakukan sebelumnya mengenai object
detection pada video menggunakan tensorflow dan Convolutional Neural
Network (CNN) oleh Syarifah Rosita Dewi tahun 2018 didapatkan hasil tingkat
akurasi hingga 98%. Serta penelitian yang dilakukan oleh Farhan Sindy pada
tahun 2019 menganai real time dengan metode MobileNet-Ssd mendapatkan
hasil akurasi sebesar 91,67%, penelitian yang dilakukan oleh Syarifah Rosita
Dewi pada tahun 2018 mengenai object detection pada CNN menghasikan
akurasi hingga 98% dan penelitian yang dilakukan oleh Indra Fransiskus Alam
tahun 2019 dengan metode object detection pada CNN menggunakan android
menghasilkan akurasi sebesar 92,33% dengan adanya acuan penelitian
sebelumnya maka penulis melakukan penelitian pengenalan objek masker.

Corona virus disease menjadi masalah yang serius dibeberapa tempat atau
lokasi di Indonesia dan berbagai macam upaya telah dilakukan oleh pemerintah
dalam penekanan angka terkonfirmasi positif dan angka terkonfirmasi negative
serta kasus kematian. Secara umum pemerintah telah menghimbau masyarkat
untuk selalu mengenakan masker pada saat keluar rumah begitupula setiap
tempat yang dikunjungi memberikan informasi bahwa area tersebut wajib
mengenakan masker. Dengan hal tersebut penulis tertarik meneliti pengenalan
objek pada penggunaan masker pada era pandemi covid melalui webcam
sebagai pengganti CCTV. Pada penelitian ini akan dilakukan proses
pendeteksian objek secara real time pada kasus mengenakan masker,
mengenakan masker secara tidak tepat dan tidak mengenakan masker dengan
memanfaatkan library tensorflow dengan metode MobileNet-Ssd menggunakan
Nvidia Cuda (cudnn).

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas maka rumusan masalah dalam penelitian ini
adalah:
1. Bagaimana hubungan antara jumlah step dengan nilai loss yang diperoleh
dengan metode MobileNet-Ssd menggunakan Nvidia Cuda (cudnn) dan
library tensorflow?

3
 2. Bagaimana hasil pendeteksian penggunaan masker dari hasil pelatihan
webcam secara real time dengan metode mobileNe-ssd menggunakan
Nvidia Cuda (cudnn) dan library tensorflow?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah diatas, maka tujuan yang ingin dicapai dalam
penelitian ini adalah:
1. Mengetahui hubungan antara jumlah step dengan nilai loss yang diperoleh
dengan metode MobileNet-Ssd menggunakan Nvidia Cuda (cudnn) dan
library tensorflow.
2. Mengetahui hasil yang terbentuk dari pelatihan pada deteksi penggunaan
masker secara real time dengan metode MobileNet-Ssd menggunakan
Nvidia Cuda (cudnn) dan library tensorflow.

1.4 Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah:

1. Dapat memberikan penjelasan dan pemahaman terkait implementasi deep
learning berbasis tensorflow pada masker dengan metode MobileNet-Ssd
menggunakan Nvidia Cuda (cudnn) untuk pengenalan objek pada
webcam.
2. Hasil dari penelitian ini dapat menjadi bahan pertimbangan bagi
pemerintah, masyarakat dan pihak tertentu dalam membuat kebijakan
dalam upaya pencegahan dan pengendalian corona virus disease.
3. Menjadi salah satu tambahan referensi untuk mahasiswa yang ingin
melakukan penelitian dan juga sebagai informasi mengenai teknologi
beserta peranannya.

1.5 Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah sebagai berikut :

1. Dataset yang bersumber dari data primer yang merupakan pengambilan
gambar melalui image sequence.

4
2. Jumlah step yang digunkan dalam penelitian pendeteksian penggunaan
masker berjumlah 25.000 dan jumlah gambar berjumlah 600 yang terdiri
dari 300 pria dan 300 wanita.
3. Jenis masker yang digunakan dalam pengenalan objek pada penelitian ini
adalah masker non medis mengacu pada rekomendasi World Health
Organization (WHO).
4. Image object pada penelitian ini menggunakan data gambar pria dan
wanita.

5
Halaman ini sengaja dikosongkan
 BAB II

TINJAUAN PUSTAKA

2.1 Artificial Intelligence

Artificial intelligence merupakan ilmu dan teknik pembuatan mesin cerdas,

khususnya program komputer cerdas. Hal ini terkait dengan tugas yang sama
dengan menggunakan komputer untuk memahami kecerdasan manusia, tetapi
artificial intelligence tidak harus membatasi dirinya terhadap metode yang
diamati secara biologis. Istilah kecerdasan buatan diciptakan pada tahun 1956,
tetapi AI telah menjadi kian populer saat ini berkat peningkatan volume data,
algoritma canggih, dan peningkatan daya serta penyimpanan komputasi
(Syarifah, 2018).

Menurut pengertian Dobrev yang mengatakan bahwa artificial intelligence

sebagai pembelajaran bagaimana membuat komputer melakukan hal-hal yang
dimana saat ini masih lebih baik dilakukan oleh manusia. Kecerdasan buatan
(AI) memungkinkan mesin untuk belajar dari pengalaman, menyesuaikan
input-input baru dan melaksanakan tugas seperti manusia. Sebagian besar
contoh AI yang sering didengar dewasa ini adalah smart home. Dengan
menggunakan teknologi ini, komputer dapat dilatih untuk menyelesaikan tugas-
tugas tertentu dengan memproses sejumlah besar data dan mengenali pola
dalam data. Akhir-akhir ini AI selalu menjadi topik terhangat dari masa
kemasa dalam hal pengembangan teknologi untuk mempermudah pekerjaan
manusia dan manjadi solusi dalam berbagai macam bidang kemajuan (Farid,
2020).

2.2 Machine Learning

Machine learning bagian dari artificial intelligence yang akan membuat

komputer dapat memiliki kemampuan untuk belajar tanpa perlu diprogram
lagi. Machine learning menggunakan sebuah algoritma yang akan membuat
 komputer untuk balajar dan melakukan tugasnya tanpa harus adanya instruksi
dari pengguna. Algoritma ini bekerja dengan cara membangun sebuah model
dari masukan agar dapat menghasilkan suatu prediksi atau pengambilan
keputusan berdasarkan data yang ada (Avneet, 2015). Dalam pengembangan
machine learning ada tiga hal kategori utama didalamnya, yaitu:
1. Reinforcement learning merupakan pembelajaran terhadap aksi yang
dilakukan untuk memperoleh reward yang maksimal. Dalam proses
pembelajarannya tidak akan diberitahu aksi mana yang diambil, tetapi lebih
pada menemukan aksi yang dapat memberikan reward maksimal dengan
cara menjalankan aksi-aksi tersebut.
2. Supervised learning merupakan data yang ada pada machine learning
dilengkapi dengan kelas/label yang menunjukkan klasifikasi dari data
tersebut. Dalam kategori ini model yang dihasilkan adalah model prediksi
dari data yang telah diberi kelas/label.
3. Unsupervised learning merupakan kebalikan dari supervised learning,
dimana data yang dimiliki tidak dilengkapi dengan kelas/label.

Machine learning didefinisikan sebagai salah satu cabang AI (Artificial

Intelegence) yang mengkhususkan komputer untuk mempelajari data,
tujuannya yakni untuk meningkatkan kecerdasannya (Shukla & Fricklas,
2018). berikut definisi machine learning menurut beberapa ahli:
1. Menurut Arthur, machine learning didefinisikan sebagai kemampuan
komputer dalam melakukan pembelajaran. Machine learning tak harus
dijelaskan atau diprogramkan secara eksplisit ke dalam komputer.
2. Menurut Tom Mitchel, machine learning diartikan sebagai komputer yang
mempunyai kemampuan melakukan pembelajaran dari pengalaman-
pengalaman yang diterima atas tugas-tugas yang telah diselesaikan untuk
meningkatkan kinerja.
3. Menurut Budiharto, machine learning didefinisikan sebagai tipikal
kecerdasan buatan yang menyuguhkan komputer dengan kemampuan
mempelajari data, tanpa harus mengikuti instruksi terprogram. Dengan
ditanamkannya algoritma pada sistem komputer.

8
2.3 Deep Learning

Deep learning merupakan salah satu bidang dari machine learning yang
memanfaatkan jaringan saraf tiruan untuk implementasi permasalahan dengan
dataset yang besar. Teknik deep learning memberikan arsitektur yang sangat
kuat untuk supervised learning. Dengan menambahkan lebih banyak lapisan
maka model pembelajaran tersebut bisa mewakili data citra berlabel dengan
lebih baik. Pada machine learning terdapat teknik untuk menggunakan
ekstraksi fitur dari data pelatihan dan algoritma pembelajaran khusus untuk
mengklasifikasi citra maupun untuk mengenali suara (Danukusumo, 2017).
Pada situasi jaringan saraf tiruan, (Multi Layer Perceptron) MLP dengan lebih
dari dua hidden layer dapat dikenal sebagai deep model. Beberapa layer yang
sering digunakan adalah convolution layer, dropout layer, fully connected layer,
pooling layer dan ReLu layer (Ponti et al, 2018).

Setelah menerapkan beberapa layer, maka akan didapat lebih banyak data serta
perlu menghindari over-fitting. Ada beberapa prosedur yang digunakan untuk
menghindari over-fitting dengan merencanakan pelatihan dan kerugian
validasi, yang paling umum adalah augmentasi data yakni memodifikasi atau
memanipulasi citra dan regularisasi (Ponti et al, 2018). Metodologi deep
learning menerapkan transformasi nonlinier dan model abstraksi tingkat tinggi
dalam basis data besar (Indra 2019). Dimana arsitektur model dapat dilihat
pada gambar dibawah ini:

Gambar 2.1 Arsitektur Deep Learning (Ponti et al, 2018).

9
 Proses konvolusi memanfaatkan apa yang disebut sebagai filter. Filter
memiliki ukuran tinggi, lebar, dan tebal tertentu. Filter ini diinisialisasi dengan
nilai tertentu (random atau menggunakan teknik tertentu seperti glorot), nilai
dari filter inilah yang menjadi parameter yang akan di update dalam proses
learning. Kemudian diarahkan menujuju pooling layer dimana untuk mereduksi
input secara spasial (mengurangi jumlah parameter) dengan operasi down-
sampling. Dan terakhir kelapisan fully-connected dimana semua neuron
aktivitas dari lapisan sebelumnya terhubung semua dengan neuron di lapisan
selanjutnya seperti hal nya jaringan syaraf tiruan biasa. Setiap aktivitas dari
lapisan sebelumnya perlu diubah menjadi data satu dimensi sebelum dapat
dihubungkan ke semua neuron di lapisan fully-connected (Ponti et al, 2018).

Gambar 2.2 Arsitektur MLP Sederhana (Indra, 2019).

Pada gambar 2 menjelaskan dimana memiliki 𝑖 layer (kotak merah dan biru)
dengan masing-masing layer berisi 𝑗𝑖 neuron (lingkaran putih). (Multi Layer
Perceptron) MLP menerima input data satu dimensi dan mempropagasikan
data tersebut pada jaringan hingga menghasilkan output (Indra, 2019). Setiap
hubungan antar neuron pada dua layer yang bersebelahan memiliki parameter
bobot satu dimensi yang menentukan kualitas suatu mode. Disetiap data input
pada layer dilakukan operasi linear dengan nilai bobot yang ada, kemudian
hasil komputasi akan ditransformasi menggunakan operasi non-linear yang
disebut sebagai fungsi aktivasi atau biasa disebut fungsi aktivasi ReLu (Rena,

10
2019). Berikut gambar fungsi aktivasi ReLu:

Gambar 2.3 Fungsi Aktivasi ReLu (Nurhikmat, 2018).

ReLU (Rectification Linear Unit) merupakan operasi untuk mengenalkan

nonlinearitas dan meningkatkan representasi dari model. Fungsi aktivasi ReLU
adalah 𝑓(𝑥) = 𝑚𝑎𝑥(0, 𝑥). Nilai output dari neuron bisa dinyatakan sebagai 0
jika inputnya adalah negatif. Jika nilai input adalah positif, maka output dari
neuron adalah nilai input aktivasi itu sendiri. Fungsi aktivasi berada pada
tahap sebelum melakukan pooling layer dan setelah melakukan proses
konvolusi. Aktivasi ReLU menjadi pilihan bagi beberapa peneliti karena
sifatnya yang lebih berfungsi dengan baik (Jeon & Rhee, 2017). Adapun fungsi
aktivasi selain ReLu yakni softmax yang digunakan pada permasalahan
klasifikasi, biasanya digunakan pada output layer.

Aplikasi konsep deep learning dapat diterapkan pada algoritma machine

learning yang sudah ada sehingga komputer sekarang bisa belajar dengan
kecepatan, akurasi, dan skala yang besar. Prinsip ini terus berkembang hingga
deep learning semakin sering digunakan pada komunitas riset dan industri
untuk membantu memecahkan banyak masalah data besar seperti computer
vision, speech recognition, dan natural language processing (Dutt & Aashi,
2017).

11
2.4 Tensorflow

Tensorflow adalah tools untuk melakukan komputasi numerik seperti

representation learning, optimization, operasi matriks dan tensor, melakukan
(convex) function optimization, menghitung gradient atau hessian (turuan
kedua) sehingga terkadang tensorflow disebut sebagai kerangka machine
learning. Tensorflow memungkinkan developer untuk membuat grafik aliran
data (dataflow graph). Setiap node di dalam grafik mewakili operasi
matematika dan setiap koneksi atau ujung antara node tersebut merupakan
baris data multidimensi atau yang disebut juga tensor (Shukla & Fricklas,
2018).

Tensorflow menggabungkan aljabar komputasi teknik pengoptimalan

kompilasi, mempermudah penghitungan banyak ekspresi matematis untuk
mengembangkan dan melatih model (Shukla & Fricklas, 2018). Fitur utamanya
meliputi:
1. Mendefinisikan, mengoptimalkan, dan menghitung secara efisien ekspresi
matematis yang melibatkan array multidimension (tensors).
2. Pemrograman pendukung jaringan saraf dalam dan teknik pembelajaran
mesin.
3. Penggunaan GPU yang transparan, mengotomatisasi manajemen dan
optimalisasi memori yang sama dan data yang digunakan. Tensorflow bisa
menulis kode yang sama dan menjalankannya baik di CPU atau GPU.
4. Skalabilitas komputasi yang tinggi di seluruh mesin dan kumpulan data
yang besar.

Begitu banyak manfaat dari tensorflow diantaranya menggabungkan banyak

model dan algoritma machine learning termasuk deep learning (neural
network). Tensorflow dapat melatih dan menjalankan neural network untuk
keperluan mengklasifikasikan dimana dapat digunakan pada skala yang besar
untuk produksi dengan menggunakan model yang sama pada ketika proses
training data. Penerapan tensorflow dapat kita jumpai pada google foto atau
google voice (Taufiq, 2018).

12
2.5 Object Detection

Object detection menentukan keberadaan suatu objek dan ruang lingkupnya

serta lokasi pada sebuah gambar. Disaat manusia melirik pada sebuah gambar,
otak manusia dapat langsung mengenali objek yang berada pada gambar, letak
objek tersebut, dan kondisi interaksi yang terjadi. Sistem visual manusia cepat
dan akurat, memungkinkan kita untuk melakukan tugas-tugas kompleks.
Algoritma deteksi objek yang cepat dan akurat akan memungkinkan komputer
dapat melakukan hal serupa hingga berpotensi untuk menyelesaikan tugas
secara umum. Deteksi objek dalam digital image processing adalah suatu
proses yang digunakan untuk menentukan keberadaan objek tertentu di dalam
suatu citra digital (Kusmanto & Tompunu, 2011). Berikut adalah gambar hasil
pendeteksian objek pada kamera:

Gambar 2.4 Contoh Deteksi Objek (Kusmanto & Tompunu, 2011).

Proses deteksi tersebut dapat dilakukan dengan berbagai macam metode yang
umumnya melakukan pembacaan fitur-fitur dari seluruh objek pada citra input.
Fitur dari objek pada citra input tersebut akan dibandingkan dengan fitur dari
model yang digunakan atau template. Hasil perbandingan tersebut dapat
digunakan untuk menentukan apakah suatu objek terdeteksi sebagai template
yang dimaksud atau tidak. Sistem deteksi objek perlu melatih dan menguji
dataset dengan bounding box dan diberi label untuk kelas per setiap objek untuk
proses pengenalan. Demi mencapai tujuan ini, ada banyak dataset untuk

13
 menghasilkan model deep learning seperti Pascal-VOC. Pada hasil objek
dalam pembacaan suatu citra digital diperlukan dataset yang cukup mempuni
sehingga menghasilkan pembacaan objek dengan cukup baik sebagaimana
dilihat pada hasil deteksi objek gambar 2.4 (Kusmanto & Tompunu, 2011).

2.6 Open Source Computer Vision

Computer vision adalah kemampuan mesin atau komputer dalam melihat

hingga mampu mengekstrak informasi dari sebuah gambar. Salah satu bidang
yang berkaitan dengan computer vision adalah pengolahan citra atau biasa
disebut image processing. Salah satu contoh sederhana dalam penggunaan
OpenCV adalah bagaimana kita dengan mudah bisa mendeteksi wajah dalam
sebuah gambar. OpenCV didesain untuk efisiensi dalam komputasi dan
difokuskan pada aplikasi real time (Agus, 2019).

OpenCV (Open Source Computer Vision Library) adalah sebuah pustaka

perangkat lunak yang ditujukan untuk pengolahan citra dinamis secara real
time, yang pengembangannya diawali oleh Intel, dan sekarang didukung oleh
Willow Garage dan Itseez. OpenCV dirilis dibawah lisensi permisif (Berkeley
Software Distribution) BSD yang lebih bebas dari pada (General Public
License) GPL, dan memberikan kebebasan sepenuhnya untuk dimanfaatkan
secara komersil tanpa perlu mengungkapkan kode sumbernya. OpenCV juga
memiliki antar muka yang mendukung bahasa pemrograman C++, C, python
dan java, termasuk untuk sistem operasi Windows, Linux, MacOS, iOS dan
Android. (Ponti et al, 2018).

2.7 Citra Digital

Citra digital adalah gambar dua dimensi yang dihasilkan dari gambar analog
dua dimensi yang kontinus menjadi gambar diskrit melalui proses sampling.
Dimana citra merupakan informasi bentuk visual dari suatu objek. Secara
matematis citra digital diartikan sebagai fungsi intensitas cahaya 𝑓(𝑥, 𝑦)
dimana nilai 𝑥 dan nilai 𝑦 adalah koordinat spasial nilai fungsi tersebut di
setiap titik (𝑥, 𝑦) adalah tingkat kecemerlangan citra dititik tersebut. Dalam

14
citra digital terdapat sebuah larik (array) yang berisi nilai-nilai real maupun
kompleks yang di representasikan dengan deretan bit tertentu. Sebuah citra
digital dapat diwakili oleh sebuah matriks dua dimensi 𝑓(𝑥, 𝑦) yang terdiri dari
𝑀 kolom dan 𝑁 baris, dimana perpotongan antara kolom dan baris disebut
piksel (pixel = picture element) atau elemen terkecil dari sebuah citra (wayan
et al, 2016). Berikut adalah rumus matriks dalam melakukan perhitungan
dalam suatu citra digital:

𝑓(0,0) 𝑓(0,1) … 𝑓 (0, 𝑀 − 1)

( ) 𝑓(1,1) … 𝑓 (1, 𝑀 − 1)
(𝑥, 𝑦) ≈ [ 𝑓 1,0 ] (2.1)
⋮ ⋮ ⋮ ⋮
𝑓(𝑁 − 1,0) 𝑓 (𝑁 − 1,1) … 𝑓(𝑁 − 1, 𝑀 − 1)

Berdasarkan Rumus di atas, suatu citra 𝑓(𝑥, 𝑦) dalam fungsi matematis dapat
dituliskan sebagai berikut :

≤𝑥≤𝑀−1 (2.2)
0≤𝑦 ≤𝑁−1 (2.3)
0 ≤ 𝑓 (𝑥, 𝑦) ≤ 𝐺 − 1 (2.4)

Dimana:
𝑀 : Jumlahgt piksel baris (row) pada array citra
𝑁 : Jumlah piksel kolom (column) pada array cira
𝐺 : Nilai skala keabuan (graylevel)

Besarnya nilai 𝑀, 𝑁 dan 𝐺 pada umumnya merupakan perpangkatan dari dua.

𝑀 = 2𝑚 ; 𝑁 = 2𝑛 ; 𝐺 = 2𝑘 (2.5)

Dimana nilai 𝑚, 𝑛 dan 𝑘 adalah bilangan bulat positif. Interval (0, 𝐺)

disebut skala keabuan (grayscale). Besar 𝐺 tergantung pada proses
digitalisasinya. Biasanya keabuan 0 (nol) menyatakan intensitas hitam dan 1
(satu) menyatakan intensitas putih. Untuk citra 8 bit, nilai 𝐺 sama dengan 28 =
256 warna (derajat keabuan) (Triano, 2018). Berikut representative citra
digital dapat dilihat dari Gambar 5.

15
 Gambar 2.5 Representasi Citra Digital dalam 2 Dimensi (Triano, 2018).

Proses perubahan citra analog menjadi citra digital dinamakan dengan digitasi.
Digitasi adalah proses mengubah gambar, teks, atau suara dari benda yang
dapat dilihat ke dalam data elektronik dan dapat disimpan serta diproses untuk
keperluan lainnya. Citra digital pada komputer dipetakan menjadi bentuk grid
atau elemen piksel berbentuk matriks 2 dimensi. Setiap piksel-piksel tersebut
memiliki angka yang mempresentasikan channel warna. Angka pada setiap
piksel disimpan secara berurutan oleh sistem di dalam komputer dan sering
dikurangi untuk keperluan kompresi maupun pengolahan tertentu (Triano,
2018).

Citra digital dapat dikategorikan dalam beberapa jenis tertentu (Triano, 2018).
Berikut adalah kategori dari jenis tertentu tersebut :
1. Citra Binner
Citra binner (binary image) adalah citra yang hanya mempunyai nilai
derajat keabuan yaitu hitam dan putih. Piksel-piksel objek bernilai 1 dan
piksel-piksel latar belakang bernilai 0. Piksel yang bernilai 0

16
 melambangkan warna putih dan piksel yang bernilai 1 melambangkan
warna hitam pada saat menampilkan citra.
2. Citra Keabuan
Citra keabuan (greyscale) adalah citra yang disetiap pikselnya
mengandung satu layer dimana nilai intensitasnya berada pada nilai 0
(hitam) – 255 (putih).
3. Citra Warna
Citra warna (RGB) adalah citra digital yang memiliki informasi warna
pada setiap pikselnya. Sistem pewarnaan citra warna ada beberapa macam
seperti RGB, CMYK, HSV, dll. RGB adalah model warna yang terdiri dari
merah, hijau, dan biru yang digabungkan dalam membentuk suatu susunan
warna yang luas. Untuk monitor komputer, nilai rentangnya paling kecil =
0 dan paling besar = 255.

2.8 Convolutional Neural Network

Convolutional neural network (CNN) merupakan salah satu pengembangan

dari jaringan syaraf tiruan yang terinspirasi dari jaringan syaraf manusia dan
biasa digunakan pada data gambar untuk mendeteksi dan mengenali suatu
objek pada sebuah gambar. CNN termasuk dalam deep neural network karena
kedalaman jaringan yang tinggi dan banyak diaplikasikan pada data citra
(Putra, 2016). Struktur CNN terdiri dari input, proses ekstraksi fitur, proses
klasifikasi dan output. Proses ekstraksi dalam CNN terdiri dari beberapa
lapisan tersembunyi atau hidden layer, yaitu lapisan konvolusi, fungsi aktivasi
dan pooling. CNN merupakan salah satu jenis jaringan neural network yang
biasa digunakan pada data image (Nurhikmat, 2018).

Convolution layer adalah bagian tahap awal setelah input layer pada
arsitektur CNN. Secara matematis konvolusi adalah jumlah total dari
hasil kali antara setiap elemen yang bersesuaian (memiliki posisi
koordinat yang sama) dalam dua matriks atau dua vektor (Nurhikmat,
2018).

17
 Gambar 2.6 Contoh Convolutional Neural Network (Nurhikmat, 2018).

Convolutional layer memiliki beberapa parameter, yaitu ukuran kernel, skipping

factors dan connection table. Kernel dalam CNN selalu bergeser terhadap
daerah yang ada pada gambar input, sedangkan skipping factors merupakan
jumlah pixel yang bergeser pada kernel. Ukuran dari output pada map adalah:

𝑀𝑥𝑛−1−𝑘𝑥𝑛 𝑀𝑦𝑛 −𝑘𝑦

𝑛
𝑀𝑛 = 𝑠𝑥𝑛 +1
+ 1; 𝑀𝑦𝑛 = 𝑠𝑦𝑥 +1
(2.6)

Keterangan:
𝑀𝑥 , 𝑀𝑦 : Ukuran feature maps
𝑆𝑥 𝑆𝑦 : Skipping factor (Stride)
𝐾𝑥 , 𝐾𝑦 : Ukuran kernel/filter
𝑛 : Letak layer pada saat proses

Tujuan dilakukannya konvolusi pada data citra adalah untuk mengekstraksi

fitur dari citra input. Bobot pada layer tersebut menspesifikasikan kernel
konvolusi yang digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan
input pada CNN (Putra, 2016). Hasil keluaran dari proses konvolusi dapat
dihitung dengan menggunakan persamaan berikut:
𝑊−𝐹+2𝑝
+1 (2.7)
𝑠

Keterangan:
𝑊 : Ukuran volume gambar
𝐹 : Ukuran filter
𝑃 : Nilai padding yang digunakan
𝑆 : Ukuran pergeseran (stride)

18
Dimana Stride merupakan nilai yang digunakan untuk menggeser filter melalui
input citra dan zero padding adalah nilai untuk mendapatkan angka nol di
sekitar border citra. Tinggi (dan lebar) filter (𝐹) pada umumnya berukuran
ganjil yang mana merepresentasi lebih baik karena mencakup bagian kiri dan
kanan yang “seimbang”. Untuk jumlah filter (𝐾) yang digunakan dalam sebuah
convolutional layer adalah kelipatan 2 (powers of 2). Sedangkan besaran zero
padding (𝑃) umumnya menyesuaikan agar ukuran spasial dari output yang
dihasilkan tetap sama dengan ukuran spasial input (𝑃 = 𝐹 − 1/2) (Rena,
2019).

Pooling layer adalah proses mereduksi ukuran sebuah data citra yang terdiri
dari sebuah filter dengan ukuran dan stride tertentu yang akan secara
bergantian bergeser pada seluruh area feature map (Hakim & Rainarli, 2019).
Umumnya, metode pooling yang digunakan adalah max pooling atau
mengambil nilai terbesar dari bagian tersebut (Rena, 2019).

Max pooling membagi output dari convolutional layer menjadi beberapa grid
kecil lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks
citra yang telah direduksi (Putra, 2016). Resolusi feature map max pooling
yang baru didapat dengan persamaan berikut:

𝑀𝑎𝑥 𝑛𝑥𝑛 (
𝑎𝑗 = 𝑎 𝜇 𝑛, 𝑛) (2.8)
𝑁𝑥𝑁 𝑖

Keterangan :
𝑎𝑗 : Nilai dari pooling map
𝑎𝑖 : Nilai dari input map
𝜇 (𝑛, 𝑛) : Window function

Secara umum, operasi pooling layer adalah sebagai berikut :

- Menerima sebuah volume dengan ukuran 𝑊1 x 𝐻1 x 𝐷1
- Membutuhkan dua hiperparameter yakni:
𝐹 = ukuran bidang receptive (Filter)
𝑆 = Stride

19
 - Menghasilkan sebuah volume dengan ukuran 𝑊2 x 𝐷2 x 𝐷2, dimana:
𝑊2 = (𝑊1 − 𝐹)/𝑆 + 1 (2.9)
𝐻2 = (𝐻1 − 𝐹)/𝑆 + 1 𝐷2 = 𝐷1 (2.10)
- Memperkenalkan zero parameter karena menghitung fungsi input yang
tepat.
- Pooling layer biasanya tidak memasukkan input menggunakan zero padding
(Rena, 2019).

Gambar 2.7 Fully Connected Layer (Rena, 2019).

Fully connected layer adalah layer yang bertujuan untuk melakukan

transformasi pada dimensi data agar dapat diklasifikasikan secara linear.
gambar diatas merupakan fully connected layer yang menghubungkan setiap
neuron dari layer ke layer lainnya. Tujuan dari fully connected layer adalah
untuk melakukan transformasi pada dimensi data agar data dapat
diklasifikasikan secara linear (Hakim & Rainarli, 2019). Feature map yang
dihasilkan dari feature extraction layer masih berbentuk multidimensional
array, sehingga harus dilakukan flatten atau reshape feature map menjadi
sebuah vektor agar bisa digunakan sebagai input dar fully connected layer.
Setelah data menjadi vektor, hasil tersebut akan dilakukan proses fully
connected layer dengan persamaan berikut.

𝑓𝑐𝑘 = 𝑏𝑘 + ∑𝑛𝑖=0 𝑥𝑖 𝑤𝑖,𝑘 , 𝑘 = 0,1,2, … , 𝑡 (2.11)

Keterangan :
𝑓𝑐𝑘 : Keluaran
𝑏 : Bias

20
𝑛 : Banyaknya data pada flatten
𝑥 : Nilai flatten
𝑤 : Bobot
𝑡 : Banyaknya target pada layer FC

Dropout adalah teknik regulasi jaringan syaraf dimana beberapa neuron akan
dipilih secara acak dan tidak dipakai selama pelatihan. Dropout merupakan
proses mencegah terjadinya overfitting dan juga mempercepat proses learning.
Dropout mengacu kepada menghilangkan neuron yang berupa hidden maupun
layer yang visible di dalam jaringan. Setiap neuron akan diberikan probabilitas
𝑝 yang bernilai antara 0 dan 1 (Rena, 2019).

Softmax classifier adalah sebuah fungsi yang mengubah K-dimensi vektor ‘𝑥’
yang berupa nilai sebenarnya menjadi vektor dengan bentuk yang sama namun
dengan nilai dalam rentang 0 − 1, yang jumlahnya 1. Fungsi softmax
digunakan dalam layer yang terdapat pada neural network dan biasanya
terdapat pada layer terakhir untuk mendapatkan output atau pada tahap Multy
Layer Perceptron (MLP). Dapat disimpulkan bahwa softmax layer menentukan
probabilitas terbesar untuk hasil kelasnya (Rena, 2019). Berikut persamaan
fungsi softmax.

𝑧 (𝑤𝑡𝑥 )𝑗
𝑒 𝑗 𝑒
𝑓 (𝑧 ) = ∑ 𝑘 𝑧𝑘 = ∑𝑘 𝑇𝑥 ) (2.12)
𝑘=1 𝑒 𝑘=1(𝑤 𝑗

𝑓 (𝑧 ) : Hasil fungsi
𝑗 : Pengulangan sebanyak kelas
𝑊𝑇 : Bobot yang telah dilakukan transpose
𝑥 : Nilai pada hidden layer
𝐾 : Banyaknya kelas

Hasil yang didapatkan berupa nilai prediksi probabilitas dan nilai 𝑦. Nilai
prediksi probabilitas dimana yang mendekati angka 1 maka merupakan
prediksi kelasnya. Nilai y dimana kan bernilai 1 untuk prediksi kelasnya dan 0

21
 untuk kelas yang lainnya, nilai 𝑦 akan digunakan untuk mencari loss function
(Rena, 2019).

Cross entropy loss function adalah fungsi untuk mengetahui seberapa tinggi
error atau loss yang dilakukan machine learning dengan tujuan mengukur
seberapa bagus performa yang dihasilkan oleh model dalam melakukan
prediksi terhadap target. Berikut persamaan yang dapat digunakan untuk
menghitung loss (Hakim & Rainarli, 2019).

𝐿 = − ∑𝑁
𝑖=0 𝑦𝑖 log(𝑝𝑖 ) (2.13)

Keterangan :
𝑁 = Banyaknya kelas
𝑦 = Nilai output (1 untuk prediksi kelasnya dan 0 untuk kelas lainnya)
𝑝 = Nilai prediksi atau keluaran fungsi softmax

Adam optimizer merupakan suatu cara untuk mengoptimasi suatu parameter,

optimasi tersebut dapat membuat parameter menjadi maksimum atau
minimum. Berikut ini merupakan tahapan serta persamaan yang digunakan
untuk melakukan optimasi.
a. Menambahkan 𝑡 pada iterasi
𝑡 =𝑡+1 (2.14)
b. Mengambil nilai bobot
𝜃𝑡−1 = 𝑏𝑜𝑏𝑜𝑡 𝑦𝑎𝑛𝑔 𝑎𝑘𝑎𝑛 𝑑𝑖𝑢𝑝𝑑𝑎𝑡𝑒
c. Mengambil nilai gradient
𝑔𝑡 = 𝑛𝑖𝑙𝑎𝑖 𝑔𝑟𝑎𝑑𝑖𝑒𝑛𝑡 𝑦𝑎𝑛𝑔 𝑑𝑖𝑑𝑎𝑝𝑎𝑡𝑘𝑎𝑛
d. Memperbaharui bias momen pertama
𝑚𝑡 = 𝛽1 𝑚𝑡−1 + (1 − 𝛽2 )𝑔𝑡 (2.15)
e. Memperbaharui bias momen kedua
𝑣𝑡 = 𝛽2 𝑣𝑡−1 + (1 − 𝛽2 )𝑔𝑡2 (2.16)
f. Menghitung koreksi bias momen pertama
𝑚𝑡
𝑚
̂𝑡 = (2.17)
(1−𝛽𝑡𝑡 )

g. Menghitung koreksi bias momen kedua

22
 𝑣𝑡
𝑣̂𝑡 = (1−𝛽 𝑡) (2.18)
2

h. Memperbarui parameter
̂𝑡
𝑎𝑚
𝜃𝑡 = 𝜃𝑡−1 − (2.19)
̂+𝜖
√𝑣𝑡

Proses memperbarui bobot akan terus diulang sebanyak jumlah neuron yang
ada. Setelah update bobot selesai bobot dan model arsitektur akan disimpan
secara eksternal untuk proses testing gambar agar tidak diperlukan lagi proses
training untuk melakukan prediksi pada gambar baru (Hakim & Rainarli,
2019).

2.9 MobileNet-Ssd

MobileNet merupakan salah satu arsitektur Convolutional Neural Network

(CNN) yang dapat digunakan untuk mengatasi kebutuhan akan sumber
komputasi berlebih. Perbedaan mendasar antara arsitektur MobileNet dan
arsitektur CNN pada umumnya adalah penggunaan lapisan atau layer konvolusi
dengan ketebalan filter yang sesuai dengan ketebalan dari input image.
MobileNet membagi konvolusi menjadi depthwise convolution dan pointwise
convolution. Arsitektur MobileNet memanfaatkan Batch Normalization (BN)
dan Rectified- Linear unit (ReLU) untuk depthwise convolution dan pointwise
convolution. MobileNet dibangun di atas arsitektur jaringan yang efisien
dengan menggunakan konvolusi yang dapat dipisahkan secara mendalam untuk
menghasilkan deep neural network yang ringan (Farhan, 2019). Alur kerja
MobileNet dapat dilihat pada Gambar 2.8.

Gambar 2.8 Alur Kerja MobileNet (Farhan, 2019).

23
 DSC menggantikan konvolusi standard dengan 2 tahap operasi: 1. Depthwise
convolution dimana setiap filter 𝐷𝐹 × 𝐷𝐹 hanya melakukan proses filter
terhadap sebuah feature map input secara mendalam; 2. Pointwise convolution
yang merupakan 1×1 convolution layer yang digunakan untuk menggabungkan
jalur informasi dari depthwise layer (Farhan, 2019). Ilustrasi DSC dapat dilihat
pada Gambar 2.9.

Gambar 2.9 Konvolusi Depthwise dan Pointwise (Farhan,2019).

SC (Standard Conv) menyebabkan jalur konvolusi menjadi jauh lebih efesien

dengan menggunakan parameter yang jauh lebih sedikir (Farhan, 2019).
Penggunaan parameter dan daya komputasi dapat dilihat pada Tabel 2.1.

Tabel 2.1 Ukuran Parameter dan Komputasi pada Depthwise Separable

Convolution (Farhan, 2019).
Layer Ukuran Parameter Ukuran Komputasi
Standard Conv 𝐹 × 𝐹 × 𝐶1 × 𝐶2 𝐹 × 𝐹 × 𝐷𝑀 × 𝐷𝑀 × 𝐶1 × 𝐶2
Depthwise 𝐹 × 𝐹 × 𝐶1 + 1 × 1 × 𝐹 × 𝐹 × 𝐷𝑀 × 𝐷𝑀 × 𝐶1 +
Separable 𝐶1 × 𝐶2 1 × 1 × 𝐶1 × 𝐶2

24
Reduksi ukuran komputasi yang didapat adalah sebagai berikut:

(𝐹)(𝐹)(𝐷𝑀 )(𝐶1)+(𝐶1 )(𝐶2 )(𝐷𝑁 )(𝐷𝑁 ) 1 1

= 𝑁 + 𝐹2 (2.20)
(𝐹)(𝐹)(𝐷𝑀 )(𝐷𝑀 )(𝐶1 )(𝐶2)(𝐷𝑁 )

Dengan begitu, maka reduksi parameter menjadi:

(𝐹)(𝐹)(𝐶1 )+(1)(1)(𝐶1 )(𝐶2 ) 1 1

= 𝐶 + 𝐹2 (2.21)
(𝐹)(𝐹)(𝐷𝑀 )(𝐷𝑀 )(𝐶1 )(𝐶2 )(𝐷𝑁 ) 2

Perbedaan utama antara pelatihan detektor klasik seperti Region-based

Convolutional Neural Network (R-CNN) dan pelatihan Single Shot Detection
(SSD) adalah bahwa detektor objek klasik menggunakan proposal wilayah
sedangkan pada pelatihan single shot detector menggunakan data groundtruth
yang harus ditetapkan untuk hasil yang ditentukan dalam rangkaian hasil
detektor yang jelas. Setelah penugasan ini ditentukan, loss function dilakukan
dari ujung ke ujung. Metode Single Shot Detector melakukan pencocokan
terhadap objek dengan default bounding box melalui beragam skala dan rasio
untuk setiap feature map location. Setiap elemen dari feature map memiliki
sejumlah kotak yang saling berhubungan. Setiap bounding box dengan 𝐼𝑜𝑈
lebih besar dari 0,5 dianggap cocok terhadap objek dan akan diproses (Farhan,
2019). Metode single shot detector juga menggunakan sejumlah layer dalam
berbagai skala yang mampu memberikan hasil terbaik terhadap objek yang
terdeteksi. Dalam penelitian ini, arsitektur MobileNet digunakan sebagai
feature extractor pada metode single shot detecetor. Sehingga disebut
MobileNet-Ssd (Afwani et al, 2017). Workflow sistem deteksi objek yang
terbentuk dapat dilihat pada Gambar 2.10.

Gambar 2.10 Alur Kerja Deteksi Objek (Afwani et al, 2017).

25
 Ketika gambar diteruskan kepada arsitektur MobileNet, SSD menggunakan 6
layer konvolusi ekstra. Layer ekstra tersebut juga menghasilkan feature maps
dalam berbagai ukuran untuk mendeteksi objek dalam berbagai ukuran
(Afwani et al, 2017). Single Shot Detector (SSD) bekerja dengan melakukan
satu kali bidikan pada object yang ada di gambar atau video untuk menentukan
area dan object yang berada dalam bidikan tersebut. Gambar adalah contoh dari
hasil deteksi objek dengan metode Single Shot Detector (SSD).

Gamabar 2.11 Contoh deteksi objek menggunakan Single Shot Detector

(Admaja, 2021).

Pada Single Shot Detector (SSD) terdapat sebuah arsitektur berbasis VGG-16
yang bertugas sebagai feature extraction dan memiliki keunggulan dalam
proses kinejra klasifikasi gambar yang beresolusi tinggi, sehingga
memungkinkan untuk mengekstrak fitur di berbagai skala dan secara progresif
mengurangi ukuran input ke setiap lapisan berikutnya. Contoh arsitektur dari
VGG16 bisa dilihat pada gamabar berikut:

Gamabar 2.12 Arsitektur VGG 16 (Admaja, 2021)

26
Arsitektur Single Shot Detector (SSD) masuk kedalam jenis Convolutional
Neural Network (CNN). Terdapat dua bagian besar pada arsitektur
Convolutional Neural Network (CNN) yaitu feature extraction layer dan
convolutional layer. Pada bagian feature extraction layer dilakukan proses
encoding dari sebuah image menjadi fitur yang berupa angka-angka yang
merepresentasikan image tersebut, disamping itu pada bagian convolutional
layer yang terdiri dari neuron yang tersusun sedemikian rupa, sehingga
membentuk sebuah filter yang panjang dan tinggi (pixels). Secara matematis,
convolutional layer atau yang biasa disebut dengan ‘konvolusi’ adalah integral
yang mencerminkan jumlah lingkaran dari sebuah sudut fungsi F yang digeser
atas fungsi g, sehingga menghasilkan fungsi h

Konvolusi diambangkan dengan arsitek (∗), yang ditunjukkan dalam

persamaan (1), sehingga, 𝐹 ∗ 𝑔 = ℎ berarti fungsi 𝐹 dikonvolusikan dengan
fungsi 𝑔 menghasilkan ℎ konvolusi dua buah fungsi 𝐹(𝑥) dan 𝑔(𝑥) di
definiskan sebagai berikut:

ℎ (𝑥 ) = 𝐹 (𝑋 ) ∗ 𝑔 (𝑥 ) = ∫ 𝑓 (𝑎 ) 𝑔 (𝑥 − 𝑎 ) (2.22)

Konvolusi dua buah fungsi 𝐹(𝑥) dan 𝑔(𝑥)

Untuk fungsi diskrit, konvolusi didefinisikan sebagai berikut dengan rumus :

ℎ (𝑥 ) = 𝐹 (𝑋 ) ∗ 𝑔 (𝑥 ) = ∑ ∞
−∞ 𝐹 (𝑎)𝑔(𝑥 − 𝑎) (2.23)

Konvolusi fungsi diskrit

Pada rumus 2.24, 𝑔(𝑥) disebut dengan kernel konvolusi (filter). Kernel 𝑔(𝑥)
merupakan jendela yang dioperasikan secara bergeser pada sinyal masukan
𝐹(𝑥). Hasil konvolusi dinyatakan dengan kelauran ℎ(𝑥). Contoh missal citra
yang disebut 𝐹(𝑥, 𝑦) yang dirubah menjadi bentuk matriks dengan berukuran
5 × 5 dan sebuah kernel dengan berukuran matiks 3 × 3 yang disebut 𝑔(𝑥, 𝑦)
sebagai berikut:

27
 4 4 3 5 4
0 −1 0 6 6 5 5 2
𝑔(𝑥, 𝑦) [−1 4 −1] 𝐹(𝑥, 𝑦) 5 6 6 6 2 (2.24)
0 −1 0 6 7 5 5 3
[3 5 4 4 4]

Citra (𝑥, 𝑦) berukuran 5 × 5 dan sebuah kernel dengan 3 × 3 matriks

Secara umum metode Single Shot Detector (SSD) mempunyai sebuah rumus
sederhana dalam menentukan default boxes dan scale default boxes, dimana 𝑁
merupakan jumlah default boxes, 𝐿𝑐𝑜𝑛𝑓 = 𝑙𝑜𝑠𝑠 𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛, 𝐿𝑙𝑜𝑐 =
𝑙𝑜𝑠𝑠 𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛, 𝐿 = 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑜𝑛 𝑏𝑜𝑥 dan 𝑔 = 𝑡𝑟𝑢𝑡ℎ 𝑔𝑟𝑎𝑢𝑛𝑑 𝑏𝑜𝑥. Untuk
menentukan default boxes bisa menggunakan rumus sebagai acuan:

1
𝐿(𝑥, 𝑐, 𝑙, 𝑔) = 𝑁 (𝐿𝑐𝑜𝑛𝑓 (𝑥, 𝑐 ) + 𝑎𝐿𝑙𝑜𝑐 (𝑥, 𝑙, 𝑔)) (2.25)

Sedangkan untuk menentukan scale default boxes bisa menggunakan rumus

berikut :
𝑠𝑚𝑎𝑥 =𝑠𝑚𝑖𝑛
𝑆𝑘 = 𝑆𝑚𝑖𝑛 (𝑘 − 1), 𝑘𝑒[1, 𝑚] (2.26)
𝑚−1

Dimana 𝑆𝑚𝑖𝑛 adalah lapisan skala terendah, 𝑆𝑚𝑎𝑥 adalah lapisan skala tertinggi,
dan 𝑆𝑘 adalah input pixel (Admaja, 2021).

Pada model training untuk menghasilkan model pada ruang kerja tensorflow
dalam pemodelan MobileNet-Ssd perlu melewati pipeline config yang akan
mengarah pada penentuan jumlah step atau jumlah pelatihan dengan maksud
seberapa lama ingin melatih model tersebut. Sehingga, menghasilkan akurasi
model yang diinginkan, dalam hal ini penentuan jumlah step dilakukan
berdasarkan nilai loss yang didapatkan setelah ditentukan jumlah step.
Semakin kecil nilai loss maka mengakibatkan model akan bekerja dengan
cukup baik karena mampu mereduksi rata-rata nilai eror sekecil mungkin
(Xiaoqin et al, 2019). Beberapa peneliti dalam hal pengenalan objek secara
real time membutuhkan paling sedikit 5.000 sampai 10.000 jumlah step

28
 sehingga menghasilkan akurasi yang cukup bagus (Faris et al, 2021). Berikut
ini adalah grafik jumlah step dan nilai loss:

Gambar 2.13 Grafik Nilai Loss dan Jumlah Step (Faris et al, 2021).

2.10 Confusion Matrix

Pengukuran terhadap kinerja pada suatu sistem klasifikasi merupakan hal yang
sangat penting untuk dilakukan. Kinerja sistem klasifikasi menggambarkan
seberapa baik suatu sistem dalam mengklasifikasikan data yang ada. Confusion
matrix merupakan salah satu metode yang dapat digunakan untuk mengukur
kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix mengandung
informasi yang membandingkan hasil klasifikasi yang dilakukan oleh sistem
dengan hasil klasifikasi yang seharusnya. Berdasarkan jumlah keluaran
kelasnya, sistem klasifikasi dapat dibagi menjadi 4 (empat) jenis yaitu
klasifikasi binary, multi-class, multi-label dan hierarchical (Taufiq, 2018).

Pada klasifikasi binary, data masukan dikelompokkan ke dalam salah satu dari
dua kelas. Jenis klasifikasi ini merupakan bentuk klasifikasi yang paling
sederhana dan banyak digunakan karena paling sering dijumpai dalam
beberapa kasus penelitian. Contoh penggunaannya antara lain dalam sistem
yang melakukan deteksi orang atau bukan orang, sistem deteksi kendaraan atau
bukan kendaraan, dan sistem deteksi pergerakan atau bukan pergerakan.
Sementara itu, pada bentuk klasifikasi multi-class, data masukan
diklasifikasikan menjadi beberapa kelas atau lebih dari dua kelas. Sebagai
contoh sistem yang dapat mengklasifikasikan jenis kendaraan seperti sepeda,
sepeda motor, mobil, bus, truk, dan sebagainya. Bentuk klasifikasi multi-label

29
 pada dasarnya sama dengan multi-class dimana data dikelompokkan menjadi
beberapa kelas, namun pada klasifikasi multi-label, data dapat dimasukkan
dalam beberapa kelas sekaligus. Bentuk klasifikasi yang terakhir adalah
hierarchical. Data masukan dikelompokkan menjadi beberapa kelas, namun
kelas tersebut dapat dikelompokkan kembali menjadi kelas-kelas yang lebih
sederhana secara hirarkis. Contohnya, arah pergerakan dikelompokkan
menjadi 12 arah pergerakan yang tentunya dapat disederhanakan menjadi 4
arah (Rena, 2019).

Pada pengukuran kinerja menggunakan confusion matrix, terdapat 4 (empat)

istilah sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut
adalah true positive, true negative, false positive dan false negative. Nilai true
negative merupakan jumlah data negatif yang terdeteksi dengan benar,
sedangkan false positive merupakan data negatif namun terdeteksi sebagai data
positif. Sementara itu, true positive merupakan data positif yang terdeteksi
benar. false negative merupakan kebalikan dari true positive, sehingga data
positif, namun terdeteksi sebagai data negatif (Rena, 2019). Pada jenis
klasifikasi binary yang hanya memiliki 2 keluaran kelas, confusion matrix
dapat disajikan seperti pada table berikut:

Tabel 2.2 Tabel Klasifikasi Binary (Rena,2019)

Kelas Terklasifikasi Positif Terklasifikasi Negatif
Positif TP (True Positive) FN (False Negative)
Negatif FP (False Positive) TN (True Negative)

Berdasarkan nilai true negative, false positive, false negative, dan true positive
dapat diperoleh nilai akurasi, presisi dan recall. Nilai akurasi menggambarkan
seberapa akurat sistem dapat mengklasifikasikan data secara benar. Dengan
kata lain, nilai akurasi merupakan perbandingan antara data yang terklasifikasi
benar dengan keseluruhan data. Nilai akurasi dapat diperoleh dengan
Persamaan 2.27. Nilai presisi menggambarkan jumlah data kategori positif
yang diklasifikasikan secara benar dibagi dengan total data yang diklasifikasi
positif. Presisi dapat diperoleh dengan Persamaan 2.28. Sementara itu, recall

30
menunjukkan berapa persen data kategori positif yang terklasifikasikan dengan
benar oleh sistem. Nilai recall diperoleh dengan Persamaan 2.29 (Sokolova
& Lapalme, 2015).
𝑇𝑃+𝑇𝑁
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 ∗ 100% (2.27)
𝑇𝑃
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝐹𝑃+𝑇𝑃 ∗ 100% (2.28)
𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐹𝑁+𝑇𝑃 ∗ 100% (2.29)

𝐹𝑃+𝐹𝑁
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 ∗ 100% (2.30)
𝐹𝑃
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝐹𝑃+𝑇𝑃 ∗ 100% (2.31)
𝐹𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐹𝑁+𝐹𝑃 ∗ 100% (2.32)

Pada klasifikasi dengan jumlah keluaran kelas yang lebih dari dua (multi-
class), cara menghitung akurasi, presisi dan recall dapat dilakukan dengan
menghitung rata-rata dari nilai akurasi, presisi dan recall pada setiap kelas.
Persamaan 2.33, 2.34, dan 2.35 merupakan formula untuk menghitung nilai
akurasi, presisi dan recall dari sistem klasifikasi multi-class (Sokolova &
Lapalme, 2015).
𝑇𝑃𝑖 +𝑇𝑁𝑖
∑𝑙𝑖=1
𝑇𝑃𝑖 +𝑇𝑁𝑖 +𝐹𝑃𝑖+𝐹𝑁𝑖
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∗ 100% (2.33)
𝑙
∑𝑙𝑖=1 𝑇𝑃𝑖
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = ∑𝑙 ∗ 100% (2.34)
𝑖=1(𝐹𝑃𝑖 +𝑇𝑃𝑖 )

∑𝑙𝑖=1 𝑇𝑃𝑖
𝑅𝑒𝑐𝑎𝑙 = ∑𝑙 ∗ 100% (2.35)
𝑖=1(𝑇𝑃𝑖 +𝐹𝑁𝑖 )

𝐹𝑃𝑖 +𝐹𝑁𝑖
∑𝑙𝑖=1
𝑇𝑃𝑖 +𝑇𝑁𝑖 +𝐹𝑃𝑖+𝐹𝑁𝑖
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∗ 100% (2.36)
𝑙

∑𝑙𝑖=1 𝐹𝑃𝑖
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = ∑𝑙 ∗ 100% (2.37)
𝑖=1(𝐹𝑃𝑖 +𝑇𝑃𝑖 )

∑𝑙𝑖=1 𝐹𝑃𝑖
𝑅𝑒𝑐𝑎𝑙 = ∑𝑙 ∗ 100% (2.38)
𝑖=1(𝑇𝑃𝑖 +𝐹𝑁𝑖 )

Dimana :
a) 𝑇𝑃𝑖 adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan
benar oleh sistem untuk kelas ke-i.

31
 b) 𝑇𝑁𝑖 adalah True Negative, yaitu jumlah data negatif yang terklasifikasi
dengan benar oleh sistem untuk kelas ke-i.
c) 𝐹𝑁𝑖 adalah False Negative, yaitu jumlah data negatif namun terklasifikasi
salah oleh sistem untuk kelas ke-i.
d) 𝐹𝑃𝑖 adalah False Positive, yaitu jumlah data positif namun terklasifikasi
salah oleh sistem untuk kelas ke-i.
e) 𝑙 adalah jumlah kelas

2.11 Nvidia Cuda

Compute Unified Device Architecture (CUDA) adalah platform

komputasi paralel dan model interface pemrograman aplikasi Aplication
Program Interface (API) yang dibuat oleh Nvidia untuk komputasi umum
pada unit pemrosesan grafis Graphic Processing Unit (GPU). Dengan
CUDA, pengembang dapat secara dramatis mempercepat aplikasi
komputasi dengan memanfaatkan kekuatan GPU. Dalam aplikasi yang
dipercepat GPU, bagian berurutan dari beban kerja dijalankan pada
(Central Processing Unit) CPU yang dioptimalkan untuk kinerja utas
tunggal sementara porsi komputasi intensif dari aplikasi berjalan pada
ribuan inti GPU secara parallel (Abichahla, 2015).

Selain itu, NVIDIA juga menyediakan cuDNN (The NVIDIA CUDA

Deep Neural Network Library) untuk membantu pengimplementasian
deep learning. CUDA toolkit mencakup pustaka yang dipercepat GPU,
kompiler, alat pengembangan, dan runtime CUDA. Unit pemrosesan
grafis (GPU), sebagai prosesor komputer khusus, memenuhi tuntutan
tugas intensif komputasi grafis 3D resolusi tinggi secara real time.
cuDNN adalah pemungkus perpustakaan cuDNN NVIDIA, yang
merupakan perpusakaan yang dioptimalkan untuk CUDA yang berisi
berbagai impelemntasi GPU cepat, seperti untuk jaringan konvolusional
dan modul RNN (Abichahla, 2015).

32
2.12 Kerangka Pikir
Mulai

Pengumpulan Data

Perencanaan Sistem

Labelling Images

Preprocessing Data

Data Training Data Test

Model CNN

Deep Learning
Jalur Konfigurasi

Training Model

Deteksi in Real Time

Evaluasi Akurasi

Kesimpulan

Selesai

33
 BAB III

METODE PENELITIAN

3.1 Lokasi dan Tempat Penelitian

Lokasi penelitian di Taman Vatulem Kota Palu Sulawesi Tengah. Tempat

penelitian di Laboratorium Statistika Terapan, Program Studi Statistika,
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Tadulako.

3.2 Populasi dan Sampel Penelitian

Populasi yang digunakan dalam penelitian ini adalah dataset berupa gambar
menggunakan masker, tidak menggunkan masker dengan baik dan tidak
menggunakan masker. Sampel pada populasi yang digunakan adalah dataset
yang berjumlah 300 gambar terdiri dari pria dan wanita diambil pada suatu
video real time atau image sequence dari berbagai macam posisi oleh program
menggunakan kamera.

3.3 Prosedur Pengambilan Data

Data yang digunakan dalam penelitian ini adalah dataset gambar yang
diperoleh dari pemotretan pengambilan gambar dari video image sequence
melalui program yang telah disusun pada jupyter notebook adapun jenis model
masker yang digunakan yakni maske non-medis berikut adalah deskripsi
gambar:

Gambar 3.1 Masker Anti Bacteria

 Gambar 3.2 Contoh Pengambilan Picture

3.4 Analisis Data

Analisis data dalam penelitian ini dilakukan dengan menggunakan software

python (jupyter notebook) dengan library tensorflow dan metode MobileNet-
Ssd menggunakan Nvidia Cuda. Berikut adalah tahapan yang akan dilakukan
untuk menganalisis data dalam penelitian ini:
1. Melakukan pengumpulan data melalui program python pada sistem real
time video imaqe sequence yang otomatis melakukan pengambilan data
gambar.
2. Melakukan perancangan sistem perangkat yang meliputi jupyter notebook,
Anaconda 3 serta melakukan pengujian perangkat sinkronisasi sistem dan
perangkat.
3. Melakukan pelabelan data gambar dengan labelImg.
4. Melakukan preprocessing data meliputi :
a. Melakukan penyusunan algoritma pemrograman.

36
 b. mengatur jalannya program.
c. menghubungkan folder kedalam program.
d. menyiapkan reposito pelatihan.
e. membagi data gambar yang telah diberilabel kedalam folder training
dan testing sehingga diperoleh data training dan data testing.
f. Membuat peta label yang akan merepresentasikan dari semua objek
yang berbeda berbentuk anotasi sehingga mudah untuk dideteksi oleh
objek tensorflow.
g. Membuat catatan TF sehingga berhasil membuat file rekam TF dan
menentukan dimana file tersebut dibuat.

5. Melakukan proses deep learning meliputi :

a. Menampilkan model CNN dalam simulasi hidden layer dan
mengeluarkan output plot confusion matrix.
b. Mengkoloning repo TF models pretrained models (ssd mobilenet v2
fpnlite 320x320 coco17 tpu-8) dari tensorflow model zoo.
c. Menyalin konfigurasi model ssd mobilenet (pipeine.config) yang telah
dikloningkan kedalam folder models.
d. Melakukan pembaharuan konfigurasi dengan mengimport beberapa
dependensi yang secara khusus mengimport tensorflow yang
dibutuhkan.
e. import utilitas deteksi objek termasuk config util dan pipline pb2
sehingga bekerja dengan protobuf kemudian mengimport format text
dari google protobuf dan melakukan pengaturan jalur konfigurasi
pipeline.
6. Melakukan training model meliputi :
a. Memulai pelatihan model dan menentukan jumlah langkah pelatihan
(steps).
b. Melakukan import dependensi yakni mengimport sitem operasi OS lalu
mengimport pustaka deteksi objek kemudian mengimport peta label,
mengimport utilitas visualisasi yang memungkinkan mengubah
deteksi menjadi overlay pada gambar, mengimport pembuat model
yang memungkinkan untuk membangun model dari pos pemeriksaan

37
 (checkpoint) dan file konfigurasi.
c. Membangun model menggunakan konfigurasi model, pergi ke post
pemeriksaan (checkpoint) sehingga mendatangkan pos pemeriksaan
yang terbaru dengan idealnya menghasilkan hasil yang terbaik.
d. Melakulan pendeteksian fungsi sehingga secara spesifik mengarah
pada fungsi yang dikirimkan pada gambar, kemudian dilakukan pra-
pemrosesan gambar mengubah ukurannya menjadi 320 x 320 dan
memuat prediksi, kemudian melakukan pemprosesan terlebihulu yang
akan mengembalikan deteksi.
7. Melakukan pendeteksian secara real time dengan memanfaatkan webcam.
8. Melakukan evaluasi terhadap hasil akurasi yang dihasilkan pada
pembacaan objek secara real time.
9. Menginterpretasi serta menarik kesimpulan berdasarkan hasil yang
diperoleh.

38
 BAB IV

HASIL DAN PEMBAHASAN

Pada bab ini akan dibahas mengenai data yang diperoleh serta hasil dari penelitian
dengan menerapkan metode MobileNet-Ssd pada pendeteksian masker secara real
time. Pada penelitian ini, penulis melakukan pelabelan pada sistem pendeteksian
objek yang akan diteliti. Dimana berjumlah 300 gambar yang terpisah antara pria
dan wanita yang diambil dari image sequence pada video berjalan menggunakan
webcam sebagai pengganti CCTV. Adapun pelabelan mencakup 3 kategori yakni
menggunakan masker (Mask), tidak menggunakan masker (NoMask) dan
menggunakan masker tidak sempurna (Correction) dengan memerlukan
gerakan/gesture dari berbagai sisi dalam mempraktekannya. Data yang digunakan
dalam penelitian ini dibagi menjadi 2 yaitu data training dan data testing. Dimana
data training adalah data primer yang diperoleh dari dataset gambar pada
perencaanaan sistem pengambilan gambar secata otomatis menggunakan jupyter
notebook. Sedangkan data testing yang digunakan merupakan data primer yang
diperoleh secara otomatis dengan objek yang berbeda dari data testing menggunakan
program yang sama. Proses utama dalam pembuatan model diawali dengan proses
training pada data. Proses ini bertujuan untuk pembentukan model yang akan
digunakan pada pengujian data testing. Melalui pengujian data akan diperoleh nilai
akurasi yang nantinya akan menjadi parameter untuk mengukur tingkat keberhasilan
model.

4.1. Pengumpulan Data

Pengumpulan data dilakukan melalui data wajah perorangan yang terdiri dari
pria dan wanita sebagai data training dan testing dengan pengambilan sudut
pandang pengambilan gambar yang dilakukan pada sisi samping kiri, samping
kanan, depan, bawah dan atas yang dilakukan secara berulang-ulang pada
frame real time. Sebanyak 100 kali pada saat memakai masker, 100 kali tidak
memakai masker dan 100 kali memakai maser tidak sempurna. Data gambar
wajah akan diambil pada 4 orang yang berbeda yakni 2 orang pria dan 2 orang
 wanita dengan demikian data diindikasikan heterogen. Pengambilan sudut
pandang diambil secara acak yakni tidak ditentukan jumlah dari masing-
masing sudut pengambilan gambar. Berikut merupakan model sudut
pengumpulan data:

Tabel 4.1 Model Pengumpulan Data Gambar

Pria Wanita

40
Tabel 4.1 Lanjutan
Pria Wanita

41
 Tabel 4.1 Lanjutan
Pria Wanita

4.2. Perencanaan sistem

Perencanaan sistem dilakukan untuk membuat program pengambilan gambar

secara otomatis pada image sequence atau video berjalan yang akan disimpan
kedalam folder library kemudian menghubungkan program atau sistem yang
telah dibuat pada webcam yang telah disedikan. Pengambilan gambar pada
sistem yang dirancang memiliki 3 labels yakni Correction, Mask dan NoMask
dengan format yang tersimpan berupa nama folder sesuai labels dan terpisah
sesuai nama yang telah diberikan pada labels. Number images berjumlah 100
pada tiap labels dimana pada setiap 2 detik akan mengambil gambar pada suatu
frame real time, sistem akan membedakan gambar pria dan wanita dengan cara
bergantian pada setiap pengambilan gambar dengan maksud membedakan jenis
gender pada program sehingga data yang dihasilkan lebih kompleks. Berikut
merupakan gambaran visulasisasi sistem yang dirancang:

Gambar 4.1 Proses Pengambilan Gambar Otomatis

42
4.3. Labelling Images

Labelling images dilakukan untuk mengkategorikan gambar kedalam sistem

perangkat yang nantinya menghasilkan ouput berdasarkan labels yang telah
diberikan dengan menginstall labelImg git clone pada githiub yang telah
tersedia. Seluruh gambar yang telah disiapkan dimasukkan kedalam python
labelImg.py kemudian dilakukan pengkategorian sesuai dengan ukuran frame
dan menandai labels pada frame yang dimaksud oleh sistem yang akan dibaca
oleh program. Terdapat 3 kategori yang akan diberi label yakni Correction,
Mask dan NoMask. Berikut merupakan pelabelan image pada labelImg.py:

Gambar 4.2 Proses Labelling Images

4.4 Prepocessing Data

Tahap preprocessing data dilakukan beberapa rangkaian termasuk pembagian

data. Data dibagi menjadi 2, yaitu data training untuk membangun model dan
mengukur akurasi dan data testing untuk mengukur nilai akurasi model. Data
training secara keseluruhan berjumlah 480 gambar, dimana setiap kelas
memiliki 120 gambar didalamnya terdiri dari pria dan wanita. Sedangkan data
testing secara keseluruhan berjumlah 120 gambar, dimana setiap kelas
memiliki 20 gambar yang terdiri dari pria dan wanita. Data training dan testing
dapat dilihat secara lengkap pada Lampiran 1 dan 2. Rincian pembagian data
training dan data testing yang akan digunakan pada proses model dan
mengukur nilai akurasi dapat dilihat seperti pada Tabel 4.2 berikut:

43
 Tabel 4.2 Pembagian Data Training dan Testing
Keterangan Jumlah Pria Wanita
Data Training 480 240 240
Data Testing 120 60 60
Jumlah 600 300 300

4.5 Deep Learning

Pada bagian deep learning akan dilakukan tahapan serta model pembelajaran
yang dapat mewakli data citra berlabel dengan lebih baik dengan melewati
beberpa rangkaian fitur yang menampilkan model CNN sebagai upaya bagian
dari pada MobileNet-Ssd dan mengatur jalur konfigurasi menuju model
MobileNet-Ssd. Berdasarkan uraian diatas maka pembentukan model sebagai
berikut:

4.5.1 Convolutional Neural Network

Setelah melewati rangkaian proses, didapatkan hasil dari proses

training. Dalam proses ini digunakan epoch berjumlah 10 serta nilai
learning rate sebesar 0,01. Kemudian untuk memperoleh hasil terbaik
dilakukan simulasi jumlah hidden layer yaitu sebnayak 1 sampai
dengan 8 hidden layer. Setelah dilakukan simulasi hidden layer
didapakan nilai akurasi sebagai berikut:

Tabel 4.3 Hasil Simulasi Hidden Layer

Jumlah Akurasi
Simulasi Hidden Rata-rata Akurasi
ke- Layer Training Testing

1 1 0,9625 0,8167 0,8896

2 2 0,9854 0,8167 0,90105

3 3 0,9771 0,8833 0,9302

4 4 0,9667 0,8833 0,9250

5 5 0,9438 0,7417 0,84275

6 6 0,9187 0,8250 0,87185

44
Tabel 4.3 Lanjutan
Jumlah Akurasi
Simulasi Hidden Rata-rata Akurasi
ke- Layer Training Testing

7 7 0,4229 0,3667 0,3948

8 8 0,8938 0,8417 0,86775

Berdasarkan hasil dari 8 hidden layer bahwa akurasi terbaik yang

dihasilkan terdapat pada 3 hidden layer dengan akurasi 0,9771 atau
97,71% pada data training 0,8833 atau 88,33% pada data testing. Hasil
ini dianggap paling baik karena hasil rata-rata dari akurasi yang
dihasilkan merupakan yang terbesar yaitu 0,9302. Hasil akhir pada
proses pembelajaran atau pelatihan adalah terbentuknya sebuah model
yang siap pakai untuk pendeteksian lebih lanjut. Berikut merupakan
model Convolutional Neural Network (CNN) yang terbentuk:

Tabel 4.4 Model CNN dengan 3 Hidden Layer

Layer (Type) Output Shape Parameter
Konvolusi Pertama 62 × 62 × 32 896
Max Poling Pertama 31 × 31 × 32 0
Dropout 31 × 31 × 32 0
Konvolusi Kedua 29 × 29 × 32 9248
Dropout 29 × 29 × 32 0
Flatten 26912 0
Droupout 26912 0
Fully Connected 1 512 524800
Fully Connected 2 256 131328
Output 3 99
Total parameter 28.268.515

Jumlah parameter yang dilatih 28.268.515

Jumlah parameter yang tidak dilatih 0

45
 Tabel 4.4 merupakan model yang terbentuk dari hasil training dengan
total parameter yang dilatih adalah sebanyak 28.268.515 parameter.
Pada setiap layer konvolusi ukuran gambar berkurang. Dapat dilihat
bahwa ukuran gambar yang akan masuk pada proses fully connected
layer adalah 14x14 piksel dengan jumlah filter yang digunakan adalah
32. Sebelum masuk pada fully connected layer dilakukan reshape
sehingga terdapat 6.272 neuron yang akan diteruskan ke fully connected
layer. Jumlah neuron yang digunakan pada fully connected layer adalah
512 neuron. Pada proses ini juga ditambahkan proses dropout hingga
akhirnya terdapat 3 neuron yang mana sesuai dengan jumlah labels
yang akan diklasifikasi. Didapatkan nilai akurasi sebesar 97,71%
dengan nilai loss sebesar 0,0958. Berikut merupakan arsitektur jaringan
dengan 3 hidden layer:

Gambar 4.3 Arsitektur Jaringan dengan 3 Hidden Layer

Arsitektur pada gambar 4.3 memiliki input images dengan ukuran

64 × 64 × 3 juga kernel dengan ukuran 3 × 3 dengan ukuran pooling
layer yang digunakan yaitu 2 × 2 dan juga pergeseran kernel atau stride
sebanyak 2. Setelah proses konvolusi maka akan melalui proses faltten
dimana nilai matriks menjadi sebuah vektor, arsitektur dengan 3 hidden
layer akan menghasilkan jumlah flatten sebanyak 3 yang akan

46
diteruskan pada proses klasifikasi MLP (Multi Layer Perceptron) kelas
dari citra kemudiaan diklasifikasikan berdasarkan jumlah neuron pada
lapisan tersembunyi dengan menggunakan fungsi aktivasi softmax.
Pada proses convolutional menunjukan bahwa tinggi dan lebar piksel
sebesar 64 dengan channel Red, Green dan Blue (RGB) dimana nilai
matriks setiap channel berbeda. Input dikonvolusi dengan nilai filter
yang telah ditentukan, filter digunakan untuk menentukan pola yang
akan dideteksi yang akan diroses secara konvolusi dengan nilai pada
matriks input. Dalam hal ini jumlah filter pada konvolusi sebanyak 32
piksel dengan ukuran kernel 3 × 3. Untuk menghilangkan nilai negatif
pada hasil maka digunakan fungsi aktivasi ReLu setelah proses
konvolusi. Fungsi aktivasi akan melakukan threshold dari 0 sampai
takhingga. Nilai negatif yang terdapat pada hasil konvolusi akan diubah
menjadi 0 dan lainnya sampai tak hingga. Dapat dilihat pada visualisasi
dimana citra RGB dirubah menjadi menjadi matriks berukuran 6 × 6
kemudian dilakukan convolution, pada citra input 64 × 64 dilakukan
konvolusi terhadap kernel 3 × 3 menghasilkan citra output 62 × 62.
Berikut merupakan gambar visualisasi proses perubahan citra terhadap
matriks dan convolution:

Gambar 4.4 Visualisasi Proses Perubahan Citra RGB Terhadap Matriks

6 × 6 dengan 3 Kernel

47
 Hasil dari proses tersebut adalah citra output atau feature maps yang
diperoleh dari menambahkan nilai yang diperoleh pada perkalian
matriks kernel (matriks bobot) pada gambar proses konvolusi
menghasilkan nilai 41 pada feature map untuk 𝑎11 hingga 52 untuk
𝑎44 . Nilai pada feature map didapatkan dari penjumlahan dari perkalian
matriks kernel dengan citra input yang juga berukuran 3 × 3 yang
dapat dilihat pada gambar berikut:

Gambar 4.5 Perkalian Matriks Kernel Terhadap Matriks Citra

Hasil perhitungan pada layer konvolusi yang bernilai negatif setelah

dilakukan perkalian matriks kernel akan diproses pada fungsi aktivasi
ReLu untuk mengilangkan angka negatif pada matriks. Setelah
melewati proses konvolusi maka akan menuju pada proses pooling
dimana pada penelitian tersebut digunakan metode max pooling dengan
menggunakan ukuran 2 × 2 dengan stride 2 dimana jumlah pergeseran

48
 kernel terhadap matriks input berjumlah 2. Berikut merupakan
visualisasi proses yang terjadi:

Gambar 4.6 Visualisasi Fungsi Aktivasi, Max Pooling dan Flatten

Pada gambar diatas dapat dilihat bahwa operasi max pooling di

terapkan pada setiap elemen feature map yang telah dikonvolusi.
Dengan mengngunakan pooling size 2 × 2 dimana akan diambil nilai
maksimal dari setiap bagian feture map.

4.5.2 Jalur konfigurasi

Setiap pelatihan menggunakan API deteksi objek pada dasarnya

membuat model dari konfigurasi model. Dimana memuat pre-trained-
models yang disebut ssd mobile net v2 fpnlite 320x320 yang berasal
dari tensorflow model zoo. Berikut merupakan model yang dapat
dipakai pada pendeteksian objek:

Tabel 4.5 Tensorflow 2 Detectiom Model Zoo

Model Name Speed (ms) COCO mAP Outputs
SSD MobileNet V2
22 22,2 Boxes
FPNLite 320 × 320

49
 Ada banyak tensorflow model zoo pada dataset COCO 2017 (Common
Objects in Context) model ini berguna untuk inferensi out of the box.
Dimana memiliki nilai speed dan mAP yang berbeda dari setiap model
zoo, jika ingin mengukur kinerja model dalam melakukan pencarian
objek maka dilihat dari nilai mAP, jika ingin model lebih capat maka
memilih berdasarkan model speed (ms). Model ssd mobilenet v2 fpnlite
320 × 320 sudah cukup dalam mengomptimalkan kinerja model secara
real time. Pada pre-trained model, ssd mobilenet v2 fpnlite 320 × 320
dapat melihat representasi dari model dari konfigurasi pipa atau
pipeline.config. Dimana memuat jumlah kelas yang tersedia, image
resize dalam hal ini ukurannya menjadi 320 × 320, dan juga
mengonfigurasi pos pemeriksaan fine tune/fine_tune_checkpoint yakni
dari mana model yang ingin kita mulai training, yang nantinya terjadi
komponen transfer learning dengan memanfaatkan model yang telah
terlatih yang kemudian disempurnakan, dan mengubah beberapa
parameter untuk memastikan beberapa model yang cocok. Berikut
merupakan pipeline.config pada jupyter notebook sebelum di upgrade:

Tabel 4.6 Pipeline.config Yang Diperoleh

Pipeline.config
Num classes 90
Image resizer (height, width) 320, 320
Feature extractor (regularizer) 3.9999998989515007e-05
Feature extractor (stddev) 0.009999999776482582
Activation RELU 6 (decay) 0.996999979019165
Activation RELU 6 (epsilon) 0.0010000000474974513
Box predictor (weight) 3.9999998989515007e-05
Box predictor (stddev) 0.009999999776482582
Class prediction bias init -4.599999904632568
Score threshold 9.99999993922529e-09
Iou threshold 0.6000000238418579
Batch size 128

50
Tabel 4.6 Lanjutan
Pipeline.config
Learning rate base 0.07999999821186066
Warmup learning rate 0.026666000485420227
Momentum optimizer value 0.8999999761581421
Fine tune checkpoint "PATH TO BE
CONFIGURED"
Fine tune checkpoint type "classification"
Train input reader (label map "PATH TO BE
path) CONFIGURED"
Train input reader (input path) "PATH TO BE
CONFIGURED"
Eval input reader (label map "PATH TO BE
path) CONFIGURED"
Eval input reader (input path) "PATH TO BE
CONFIGURED"

Melakukan konfigurasi baru dengan cara copy model konfigiruasi ke

folder training dengan membuka workspace dan ke models, maka akan
muncul my_ssd_mobnet membuat folder baru pada dasarnya
mengambil file konfigurasi pra-terlatih dari tensorflow model zoo
dengan tujuan mengonfigurasi pipeline.config menjadi spesifik ke
dalam model dengan mengarahkannya ke tf record dan merubah
beberapa parameter dan semuanya dilakukan melalui jupyter notebook.

Gambar 4.7 Pembaharuan model config to training folder

Pembaharuan pada pipeline.config mengubah jumlah kelas yang ingin

diprediksi menjadi jumlah kelas sebenarnya sesuai pada gambar yang
telah diberi labels (Correction, Mask dan NoMask) menyetel batch size

51
 menjadi empat hal ini tergantung pada perangkat keras yang dimiliki
dapat ditingkatkan atau menurunkannya, mengatur pos pemeriksaan
fine tune/fine tune checkpoint dimana akan dimulai pelatihan dalam hal
ini pos pemeriksaan yang ingin dimulai disebut checkpoint-0. File
tersebut berada pada direktori pre trained models, ssd mobilenet v2
fpnlite 320x32, checkpoint dimana model terakhir dilatih sehingga
mengambil dari direktori tersebut, menentukan jalur yang mana ingin
melatih model deteksi yang berada pada jalur peta label
(label_map.pbtxt). kemudian menentukan dimana train.record
membuat catatan tf.record dan menghasilkan catatan train.record
berada dalam jalur anotasi. Berikut merupakan pipeline terperbaharui:

Tabel 4.7 Pipeline.config Terperbaharui

Pipeline.config
Num classes 3
Image resizer (height, width) 320, 320
Feature extractor 4e-05
(regularizer)
Feature extractor (stddev) 0.01
Activation RELU 6 (decay) 0.997
Activation RELU 6 (epsilon) 0.001
Box predictor (weight) 4e-05
Box predictor (stddev) 0.01
Class prediction bias init -4.6
Score threshold 1e-08
Iou threshold 0.6
Batch size 4
Learning rate base 0.08
Warmup learning rate 0.026666
Momentum optimizer value 0.9
Fine tune checkpoint "Tensorflow/workspace/pre-trained-
models/ssd_mobilenet_v2_fpnlite_

52
Tabel 4.7 Lanjutan
320x320_coco17_tpu-
8/checkpoint/ckpt-0"
Fine tune checkpoint type "detection"
Train input reader (label map "Tensorflow/workspace/annotations/
path) label _ map.pbtxt"
Train input reader (tf record "Tensorflow/workspace/annotations/
input path) train.record"
Eval input reader (label map "Tensorflow/workspace/annotations/
path) label _ map.pbtxt"
Eval input reader (tf record "Tensorflow/workspace/annotations/
input path) train.record"
Fine tune checkpoint type "detection"
Train input reader (label map "Tensorflow/workspace/annotations/
path) label _ map.pbtxt"
Train input reader (tf record "Tensorflow/workspace/annotations/
input path) train.record"

Berikut merupakan gamabaran jalur konfigurasi sebelum training

model:

Gambar 4.8 Visualisasi Jalur Konfigurasi Sebelum Traning Model

Dengan demikian maka telah selesai membuat jalur pipeline.config

yang terupdate kedalam direktori sehingga dalam jalur model didalam
folder model yang semestinya, menggunakan format text (text_format)

53
 yang membawanya dari google.protobuf dimana telah merubah pesan
protobuf menjadi string. Berikut merupakan sistem yang dibangun:

Gambar 4.10 Sistem Upgrade Pipeline.config

Gambar 4.10 Visualisasi Arsitektur MobileNet

Gambar diatas menunjukan bagimana sebuah input berupa image

melalui proses MobileNet dimana setiap image yang masuk maka akan
melalui proses konvolusi dengan membaginya menjadi dua yakni
depthwise convolution dan pointhwise convolution dengan
memanfaatkan batch normalization dan ReLu dengan kernel size

54
 digunakan yakni 3. Dengan demikian maka setiap lapisan konvolusi
akan dapat dipisahkan secara mendalam dimana fungsi kernel adalah
menggiring atau membuat fitur baru.

Gambar 4.11 Visualisasi Alur Kerja SSD

Setelah gambar melalui proses MobileNet maka menuju SSD dimana

melakukan konvolusi extra akan menghasilkan feture maps dalam
berbagai ukuran, yang nantinya akan mendeteksi objek. Dimana
mencocokkan objek dengan hasil klasifikasi pada default bounding box
atau kotak pembatas yang mempresentasikan objek. Dihasilkan nilai
𝐼𝑜𝑈 lebih besar dari 0,5 yakni 0,6 diamana dianggap cocok terhadap
objek yang dimaksud, mengevaluasi area tumpang tindih antara
bounding boxI. Nilai 𝐼𝑜𝑈 dapat dilihat pada tabel 4.7.

4.6 Training Model

Pembahasan model merupakan hasil implementasi dan proses pelatihan.

Berikut ini akan dijabarkan mengenai model yang telah diperoleh peneliti:

4.6.1 Training Steps

Pada saat melakukan proses training sampai dengan selesai sesuai

dengan jumlah iterasi yang dilakukan yaitu sebanyak 25.000
langkah/step yang menghasilkan output atau keluaran berupa nilai loss
yang terbagi kedalam nilai loss classification, loss localizzation, loss
regularization, nilai loss total dan learning rate dimana setiap nilai
yang keluar pada kisaran jumlah step kelipatan 100 atau steps per step
time. Berikut merupakan gambaran output dari hasil training pada
jumlah steps 25.000:
55
 𝐼𝑁𝐹𝑂: 𝑡𝑒𝑛𝑠𝑜𝑟𝑓𝑙𝑜𝑤: 𝑆𝑡𝑒𝑝 100 𝑝𝑒𝑟 − 𝑠𝑡𝑒𝑝 𝑡𝑖𝑚𝑒 0,471𝑠
𝑚𝑜𝑑𝑒𝑙_𝑙𝑖𝑏_𝑣2. 𝑝𝑦: 698] 𝑆𝑡𝑒𝑝 100 𝑝𝑒𝑟 − 𝑠𝑡𝑒𝑝 𝑡𝑖𝑚𝑒 0.471𝑠
𝐼𝑁𝐹𝑂: 𝑡𝑒𝑛𝑠𝑜𝑟𝑓𝑙𝑜𝑤: {′𝐿𝑜𝑠𝑠/𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛_𝑙𝑜𝑠𝑠′: 0.26604882,
′𝐿𝑜𝑠𝑠/𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛_𝑙𝑜𝑠𝑠′: 0.060934287,
′𝐿𝑜𝑠𝑠/𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑖𝑧𝑎𝑡𝑖𝑜𝑛_𝑙𝑜𝑠𝑠′: 0.1537557,
′𝐿𝑜𝑠𝑠/𝑡𝑜𝑡𝑎𝑙_𝑙𝑜𝑠𝑠′: 0.4807388,
′𝑙𝑒𝑎𝑟𝑛𝑖𝑛𝑔_𝑟𝑎𝑡𝑒′: 0.0319994}
⋮
𝐼𝑁𝐹𝑂: 𝑡𝑒𝑛𝑠𝑜𝑟𝑓𝑙𝑜𝑤: 𝑆𝑡𝑒𝑝 25000 𝑝𝑒𝑟 − 𝑠𝑡𝑒𝑝 𝑡𝑖𝑚𝑒 0.211𝑠
𝑚𝑜𝑑𝑒𝑙_𝑙𝑖𝑏_𝑣2. 𝑝𝑦: 698] 𝑆𝑡𝑒𝑝 25000 𝑝𝑒𝑟 − 𝑠𝑡𝑒𝑝 𝑡𝑖𝑚𝑒 0.211𝑠
𝐼𝑁𝐹𝑂: 𝑡𝑒𝑛𝑠𝑜𝑟𝑓𝑙𝑜𝑤: {′𝐿𝑜𝑠𝑠/𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛_𝑙𝑜𝑠𝑠′: 0.049694628,
′𝐿𝑜𝑠𝑠/𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑡𝑖𝑜𝑛_𝑙𝑜𝑠𝑠′: 0.011581063,
′𝐿𝑜𝑠𝑠/𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑖𝑧𝑎𝑡𝑖𝑜𝑛_𝑙𝑜𝑠𝑠′: 0.060050994,
′𝐿𝑜𝑠𝑠/𝑡𝑜𝑡𝑎𝑙_𝑙𝑜𝑠𝑠′: 0.121326685,
′𝑙𝑒𝑎𝑟𝑛𝑖𝑛𝑔_𝑟𝑎𝑡𝑒′: 0.04128206}

Pada saat melakukan steps sampai dengan selesai maka mengeluarkan

output berupa Step, step time, loss classification, loss localization, loss
regularization, total loss dan learning rate.

4.6.2 Nilai Loss

Pada saat melakukan proses training sampai dengan selesai didapatkan

nilai loss yang terbagi kedalam nilai loss classification, loss
localizzation, loss regularization dan nilai loss total. Pada nilai loss
yang diperoleh dapat dilihat pada gambar grafik berwarna dimana
menunjukan fluktuasi kenaikan dan penurunan dibeberpaa titik hingga
mengarah kebentuk konstan serta meminimalisir nilai loss yang
diperoleh. Didapatkan nilai rata-rata dari kenaikan dan penurunan
fluktuasi loss classification sebesar 0,06868 dengan kenaikan tertinggi
berada pada step 7.800 senilai 0,36438277 dan terendah pada step
17.500 senilai 0,017692355. Didapatkan nilai rata-rata dari kenaikan
dan penurunan fluktuasi loss locallization sebesar 0,02253 dengan
kenaikan tertinggi berada pada step 200 senilai 0,1954006 dan terendah

56
 pada step 23.700 senilai 0,005519818. Didapatkan nilai rata-rata dari
kenaikan dan penurunan fluktuasi loss regularization sebesar 0,100509
dengan kenaikan tertinggi berada pada step 100 senilai 0,1537557 dan
terendah pada step 25.000 senilai 0,060050994. Pada nilai loss total
didapatkan nilai rata-rata dari kenakan dan penurunan fluktuasi sebesar
0,191408 dengan kenaikan tertinggi berada pada step 200 senilai
0,5452751 dan terendah pada step 23.200 senilai 0,09606669. Berikut
adalah gambar grafik nilai loss yang diperoleh:

Nilai Loss
0.6
0.5
0.4
0.3
0.2
0.1
0
100

10000
10900
11800
12700
13600
14500
15400
16300
17200
18100
19000
19900
20800
21700
22600
23500
24400
1900

6400
1000

2800
3700
4600
5500

7300
8200
9100

Classification_loss Localizzation_loss
Regularization_loss Total loss

Gambar 4.12 Grafik Nilai Loss

4.6.3 Model

Hasil akhir dari proses pembelajaran atau pelatihan adalah terbentuknya

sebuah model yang siap pakai untuk pendeteksian lebih lanjut atau
dengan kata lain disebut testing. Pada CNN model yang terbentuk
berupa 3 layer konvolusi dimana masing-masing filter berjumlah 32
ukuran kernel 3 × 3.

Gambar 4.13 Layer Konvolusi Dengan 3 Hidden Layer

57
 Pada MobileNet-Ssd model yang dimaksud pada tensorflow adalah
berupa file checkpoint hasil training/pelatihan dan data tensor graph
yang dimuat pada berkas berekstensi protobuf “.pb”. model yang
terbentuk dapat digunakan dalam pendeteksian objek secara real time
berupa file checkpoint, ckpt-0.data-00000-of-00001, ckpt-0.index
sampai checkpoint, ckpt-26.data-00000-of-00001, ckpt-26.index.

4.7 Deteksi In Real Time

Hasil model yang telah dilakukan pelatihan atau training akan dilakukan
pendeteksian terhadap suatu objek pada suatu frame dengan ditandainya
sebuah kotak berwarna dengan adanya persentasi akurasi pada sistem.
Persentasi hasil yang dideteksi oleh sistem dimulai dari angka 0% hingga
100%. Adapan bagian yang akan dideteksi sesuai pada komponen pada saat
pengumpulan data dengan sisi pengambilan objek terbagi atas 5 yakni sisi atas,
sisi depan, sisi bawah, sisi kiri dan sisi kanan pada masing-masing objek yakni
objek testing. Hasil akurasi dari setiap sisi akan menampilkan rata-rata akurasi.
Berikut merupakan hasil uji data testing untuk mendeteksi menggunakan
masker (Mask), tidak menggunaan masker (NoMask) dan menggunakan
masker secara tidak sempurna (Correction):

Tabel 4.8 Hasil Deteksi Pengunaan Masker (Mask)

Average
Hasil Deteksi Mask Jumlah
Accuracy

14 91,8%

Atas

46 94,4%

Depan

58
Tabel 4.8 Lanjutan
Average
Hasil Deteksi Mask Jumlah
Accuracy

14 81,5%

Bawah

54 86,3%

Kanan

67 86,9%

Kiri

Total 195 88,18%

Hasil deteksi pada objek testing untuk penggunaan masker (Mask) dapat dilihat
bahwa dari 5 komponen arah yang dilakukan pendeteksian pada objek, objek
data rata-rata arah terbaik terdapat pada sisi depan dengan rata-rata persentasi
sebesar 94,4% dan yang terendah pada sisi bawah yakni sebesar 81,5% untuk
secara keseluruhan akurasi persentasi terhadap objek testing untuk data
penggunaan masker masih bekerja dengan baik dengan masing masing rata-
rata akurasi persentasi pada sisi atas 91,8%, depan 94,4%, bawah 81,5%, kanan
86,3% dan kiri 86,9% total pengambilan objek testing penggunaan masker
pada suatu frame video deteksi secara real time sebanyak 195 gambar dengan
pengambilan sisi secara random maka didapatkan jumlah pada sisi atas 14
gambar, depan 46 gambar, bawah 14 gambar, kanan 54 gambar dan kiri 67
gambar maka total akurasi secara keseluruhan sebesar 88,18%.

59
 4.9 Hasil Deteksi Penggunaan Masker Tidak Sempurna (Correction)
Average
Hasil Deteksi Correction Jumlah
Accuracy

67 65,08%

Atas

31 71,5%

Depan

15 72,8%

Bawah

29 83,8%

Kanan

53 70,2%

Kiri

Total 195 72,67%

Hasil deteksi pada objek testing untuk penggunaan masker tidak sempurna
(Correction) dapat dilihat bahwa dari 5 komponen arah yang dilakukan
pendeteksian pada objek, objek data rata-rata arah terbaik terdapat pada sisi

60
kanan dengan rata-rata persentasi sebesar 83,8% dan yang terendah pada sisi
atas yakni sebesar 65,08% untuk secara keseluruhan akurasi persentasi
terhadap objek testing untuk data penggunaan masker masih cukup bekerja
dengan baik akan tetapi pada sisi atas terlihat cukup rendah dibawah 70%.
Dengan masing masing rata-rata akurasi persentasi pada sisi atas 65,08%,
depan 71,5%, bawah 72,8%, kanan 83,8% dan kiri 70,2% total pengambilan
objek testing penggunaan masker tidak sempurna pada suatu frame video
deteksi secara real time sebanyak 195 gambar dengan pengambilan sisi secara
random maka didapatkan jumlah pada sisi atas 67 gambar, depan 31 gambar,
bawah 15 gambar, kanan 29 gambar dan kiri 53 gambar maka total akurasi
secara keseluruhan sebesar 72,67%.

4.10 Hasil Deteksi Tidak Menggunakan Masker (NoMask)

Average
Hasil Deteksi NoMask Jumlah
Accuracy

23 72,8%

Atas

86 81,2%

Depan

20 93%

Bawah

32 82,1%

Kanan

61
 Tabel 4.10 Lanjutan
Average
Hasil Deteksi NoMask Jumlah
Accuracy

34 82,3%

Kiri

Total 195 82,28%

Hasil deteksi pada objek testing untuk penggunaan masker tidak sempurna
(Correction) dapat dilihat bahwa dari 5 komponen arah yang dilakukan
pendeteksian pada objek, objek data rata-rata arah terbaik terdapat pada sisi
bawah dengan rata-rata persentasi sebesar 93% dan yang terendah pada sisi
atas yakni sebesar 72,8% untuk secara keseluruhan akurasi persentasi terhadap
objek testing untuk data penggunaan masker masih cukup bekerja dengan baik.
Dengan masing masing rata-rata akurasi persentasi pada sisi atas 72,8%, depan
81,2%, bawah 93%, kanan 82,1% dan kiri 82,3% total pengambilan objek
testing penggunaan masker tidak sempurna pada suatu frame video deteksi
secara real time sebanyak 195 gambar dengan pengambilan sisi secara random
maka didapatkan jumlah pada sisi atas 23 gambar, depan 86 gambar, bawah 20
gambar, kanan 32 gambar dan kiri 34 gambar maka total akurasi secara
keseluruhan sebesar 82,28%. Secara keseluruhan objek Mask merupakan
akurasi terbaik dari ketiga objek dengan akurasi 88,18%.

4.8 Evaluasi Akurasi

Tahap pengujian pada sistem dilakukan untuk mengevaluasi akurasi

deteksi objek pada frame real time hal ini bermaksud melihat tingkat
kedekatan antara nilai prediksi dengan nilai aktual, tingkat ketepatan
antara informasi yang diminta oleh pengguna dengan jawaban yang
diberikan oleh sistem serta mengukur tingkat keberhasilan sistem dalam
menemukan kembali informasi. Karena pada pendeteksian objek secara
real time tidak selamanya sistem mendeteksi secara baik. Berikut salah

62
satu hasil kesalahan sistem yang didapatkan pada saat pendeteksian
objek:

Gambar 4.14 Pendeteksian Objek

Untuk mendeteksi kesalahan terhadap sistem yang dibangun terhadap

objek yang dibaca, maka dilakukan pengujian percobaan. Dalam hal ini
dilakukan 3 percobaan yakni terhadap Mask, Correction, NoMask:

Tabel 4.11 Data Percobaan Deteksi Objek Penggunaan Masker (Mask)

No Jumlah Aktual Jumlah Terdeteksi TP FP FN TN
1 1 1 1 - - -
2 1 1 1` - - -
3 1 1 1 - - -
4 1 1 1 - - -
5 1 1 1 - - -
6 1 1 1 - - -
7 1 1 1 - - -
8 1 1 1 - - -
9 1 1 1 - - -
10 1 1 1 - - -
11 1 1 1 - - -
12 1 1 1 - - -
13 1 1 1 - - -
14 1 1 1 - - -
15 1 1 1 - - -
16 1 1 1 - - -

63
 Tabel 4.11 Lanjutan
No Jumlah Aktual Jumlah Terdeteksi TP FP FN TN
17 1 1 1 - - -
18 1 1 1 - - -
19 1 1 1 - - -
20 1 1 1 - - -
21 1 1 1 - - -
22 1 1 1 - - -
23 1 1 1 - - -
24 1 1 1 - - -
25 1 1 1 - - -
26 1 1 1 - - -
27 1 1 1 - - -
28 1 1 1 - - -
29 1 1 1 - - -
30 1 1 1 - - -
31 1 1 1 - - -
32 1 1 1 - - -
33 1 1 - - 1 -
34 1 1 - - 1 -
35 1 2 1 - 1 -
36 1 1 1 - - -
37 1 1 1 - - -
38 1 1 1 - - -
39 1 1 1 - - -
Total 37 0 3 0

Pada percobaan telah dilakukan pengambilan gambar sebanyak 39 kali

maka hasil yang didapatkan adalah sebagai berikut:
𝑇𝑃 37
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐹𝑁+𝑇𝑃 ∗ 100% = 3+37 ∗ 100% = 92,5%

64
 𝑇𝑃 37
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝐹𝑃+𝑇𝑃 ∗ 100% = 0+37 ∗ 100% = 100%
𝑇𝑃+𝑇𝑁 37+0
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 ∗ 100% = 37+0+3+0 ∗ 100% = 92,5%

Dengan penjelasan bahwa tingkat kedekatan antara nilai prediksi dengan

nilai aktual sangat baik, tingkat ketepatan antara informasi yang diminta
oleh pengguna dengan jawaban yang diberikan oleh sistem yang
dibangun sangat baik serta tingkat keberhasilan sistem dalam menemukan
kembali sebuah informasi sangat baik.

Tabel 4.12 Data Percobaan Deteksi Objek Penggunaan Masker Tidak

Sempurna (Correction)
No Jumlah Aktual Jumlah Terdeteksi TP FP FN TN
1 1 2 1 - 1 -
2 1 1 1` - - -
3 1 2 1 - 1 -
4 1 2 1 - 1 -
5 1 1 1 - - -
6 1 1 1 - - -
7 1 1 1 - - -
8 1 1 1 - - -
9 1 1 1 - - -
10 1 1 1 - - -
11 1 1 1 - - -
12 1 1 1 - - -
13 1 2 1 - 1 -
14 1 1 1 - - -
15 1 1 1 - - -
16 1 1 1 - - -
17 1 1 1 - - -
18 1 2 1 - 1 -
19 1 2 1 - 1 -

65
 Tabel 4.12 Lanjutan
No Jumlah Aktual Jumlah Terdeteksi TP FP FN TN
20 1 2 1 - 1 -
21 1 2 1 - 1 -
22 1 2 1 - 1 -
23 1 2 1 - 1 -
24 1 2 1 - 1 -
25 1 2 1 - 1 -
26 1 2 1 - 1 -
27 1 1 1 - - -
28 1 1 1 - - -
29 1 1 1 - - -
30 1 1 1 - - -
31 1 1 1 - - -
32 1 2 1 - 1 -
33 1 1 1 - - -
34 1 1 1 - - -
35 1 1 1 - - -
36 1 1 1 - - -
37 1 1 1 - - -
38 1 1 1 - - -
39 1 1 1 - - -
Total 39 0 14 0

Pada percobaan pada objek penggunaan masker tidak sempurna

(Correction) telah dilakukan pengambilan gambar sebanak 39 kali maka
hasil yang didapatkan adalah sebagai berikut:
𝑇𝑃 39
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐹𝑁+𝑇𝑃 = 14+39 ∗ 100% = 73,5%
𝑇𝑃 39
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝐹𝑃+𝑇𝑃 = 0+39 ∗ 100% = 100%

66
 𝑇𝑃+𝑇𝑁 39+0
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 ∗ 100% = 39+0+14+0 ∗ 100% = 73,5%

Dengan penjelasan bahwa tingkat kedekatan antara nilai prediksi dengan

nilai aktual cukup baik, tingkat ketepatan antara informasi yang diminta
oleh pengguna dengan jawaban yang diberikan oleh sistem yang
dibangun cukup baik serta tingkat keberhasilan sistem dalam menemukan
kembali sebuah informasi sangat baik.

Tabel 4.13 Data Percobaan Deteksi Objek Tidak Menggunakan Masker

(NoMask)
No Jumlah Aktual Jumlah Terdeteksi TP FP FN TN
1 1 1 1 - - -
2 1 2 1 - 1 -
3 1 2 1 - 1 -
4 1 2 1 - 1 -
5 1 1 1 - - -
6 1 1 1 - - -
7 1 1 1 - - -
8 1 1 1 - - -
9 1 1 1 - - -
10 1 1 1 - - -
11 1 1 1 - - -
12 1 1 1 - - -
13 1 1 1 - - -
14 1 1 1 - - -
15 1 2 1 - 1 -
16 1 2 1 - 1 -
17 1 1 1 - - -
18 1 1 1 - - -
19 1 1 1 - - -
20 1 1 1 - - -

67
 Tabel 4.13 Lanjutan
No Jumlah Aktual Jumlah Terdeteksi TP FP FN TN
21 1 1 1 - - -
22 1 1 1 - - -
23 1 1 1 - - -
24 1 2 1 - 1 -
25 1 1 1 - - -
26 1 1 1 - - -
27 1 1 1 - - -
28 1 1 1 - - -
29 1 1 1 - - -
30 1 1 1 - - -
31 1 1 1 - - -
32 1 1 1 - - -
33 1 1 1 - - -
34 1 1 1 - - -
35 1 1 1 - - -
36 1 1 1 - - -
37 1 1 1 - - -
38 1 1 1 - - -
39 1 1 1 - - -
Total 39 0 6 0

Pada percobaan pada objek tidak menggunkan masker (NoMask) telah

dilakukan pengambilan gambar sebanak 39 kali maka hasil yang
didapatkan adalah sebagai berikut:
𝑇𝑃 39
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝐹𝑁+𝑇𝑃 = 6+39 ∗ 100% = 86,6%
𝑇𝑃 39
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝐹𝑃+𝑇𝑃 = 0+39 ∗ 100% = 100%
𝑇𝑃+𝑇𝑁 39+0
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 ∗ 100% = 39+0+6+0 ∗ 100% = 86,6%

68
Dengan penjelasan bahwa tingkat kedekatan antara nilai prediksi dengan
nilai aktual sangat baik, tingkat ketepatan antara informasi yang diminta
oleh pengguna dengan jawaban yang diberikan oleh sistem yang
dibangun sangat baik serta tingkat keberhasilan sistem dalam menemukan
kembali sebuah informasi sangat baik.

69
Halaman ini sengaja dikosongkan
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil dan pembahasan yang telah dilakukan sebelumnya maka

dapat disimpulkan sebagai berikut:
1. Pada saat melakukan training model sebanyak 25.000 steps menghasilkan
output berupa loss classification, loss localization, loss regularization dan
nilai loss total. Semakin banyak jumlah steps maka nilai loss yang
dihasilkan akan lebih kecil dan berfluktuasi dari jumlah per steps yang
dihasilkan.
2. Dalam proses deep learning didapatkan proses CNN dan MobileNet-Ssd,
MobileNet-Ssd sebagai pengembangan dari CNN yang memiiki ketebalan
filter dan kedalaman lebih jauh didapatkan model dan akurasi sebagai
berikut:
a. model convolutional neural network yang terbentuk pada penelitian
ini menggunakan data input berukuran 64x64x3, ukuran filter 3x3
serta jumlah epoch sebanyak 10. Data yang digunakan dalam proses
training adalah sebanyak 480. Dengan hidden layer terbaik sebanyak
3 dari total 8 hidden layer percobaan. Nilai akurasi yang dihasilkan
dalam pengklasifikasian adalah sebesar 83,33% untuk data testing.
b. Dalam kasus MobileNet-Ssd v2 model yang terbentuk adalah model
hasil training dengan jumlah 25.000 steps dengan 4 batch size yaitu
berupa file checkpoint yang berekstensi protobuf “.pb”. ckpt-0-data-
00000-of-00001 ckpt-0-index hingga ckpt-26-data-00000-of-00001
ckpt-26-index yang diletakkan dalam satu direktori dan digunakan
untuk melakukan pengujian model pada saat melakukan deteksi objek.
Hasil Pendeteksian pada webcam secara real time didapatkan pada 3
labels objek yakni penggunaan masker (Mask) dengan akurasi sebesar
88,18%, penggunaan masker secara tidak sempurna (Correction)
dengan akurasi hasil Pendeteksian pada webcam secara real time
 didapatkan pada 3 labels objek yakni penggunaan masker (Mask)
dengan akurasi sebesar 88,18%, penggunaan masker secara tidak
sempurna (Correction) dengan akurasi sebesar 72,67%, tidak
menggunakan masker (NoMask) dengan akurasi sebesar 82,28%
untuk seluruh jenis komponen sisi. Maka dalam hal ini sistem deteksi
objek bekerja dengan baik.

5.2 Saran

Berdasarkan analisis, pembahasan dan kesimpulan yang telah dilakukan maka

saran pada penelitian ini adalah:
1. Dalam perkembangan zaman yang begitu signifikan peran AI
menghasikan perubahan dari tatanan masyrakat, baik dari segi sikap dan
kebijakan, dengan memanfaatkan peran teknologi dalam mempermudah
sistem dan mencari solusi yang relatif memudahkan pekerjaan manusia,
Terurama dalam hal ini sistem monitoring yang dapat bekerja jauh lebih
baik. MobilNet-Ssd merupakan rangkaian sistem menotoring pendeteksian
objek yang cukup baik cepat dan akurat yang dapat memberikan
pertimbangan kepada pemerintah dalam hal pengawasan dari berbagai
sektor.
2. Untuk penelitian selanjutnya disarankan dapat mengembangkan penelitian
dengan menambahkan data yang beragam sehingga jauh lebih kompleks
serta memanbah jumlah steps lebih besar agar akurasi dalam pendeteksian
secara real time jauh lebih cepat dan akurat. Peniliti mengharapkan
kedepannya dapat menerapkan deteksi objek lebih baik lagi dengan
mengadakan aplikasi maupun alat yang dapat dievaluasi lebih jauh.

72
 DAFTAR PUSTAKA

Abichahla, F. (2015). "CUDA Nvidia: Akhir dari CPU?". Perangkat Keras Toms
Hardware. Camridge: Camridge University.

Admaja, Y. P. (2021) Sistem Penghitung Jumlah Pengunjung Di Restoran

Menggunakan Kamera Berbasis Single Shot Detector (SSD). Skripsi.
Universitas DInamika Surabaya.

Afwani, M. A., Utami, E., & Pramono, E. (2017). Modifikasi Default-Boxes Pada
Model SSD Untuk Meningkatkan Keakuratan Deteksi. Jurnal IT CIDA, 3(2),
33– 40. Universitas AMIKOM Yogyakarta

Agus, S. (2019). Implementasi Metode SSD (Single Shot Multibox Detector) Untuk
Mendeteksi Pelanggaran Jalur Busway menggunalan Citra Digital. Skripsi.
Universitas Teknologi Yogyakarta.

Avneet, P. M. (2015). Artificial Intelligence and its Application in Different Areas.

International Journal of Engineering and Innovative Technology (IJEIT).
Institute Of Engineering and Technology Jalandhar India. Diakses dari
http://www.ijeit.com/Vol4/Issue10/IJEIT1412201504_15.pdf

Danukusumo, K. P. (2017). Implementasi Deep Learning Menggunakan

Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis GPU.
Skripsi. Universitas Atma Jaya Yogyakarta.

Dutt, A., & Aashi, D. (2017). Handwritten digit recognition using deep learning.
International Journal of Advanced Research in Computer Engineering &
Technology (IJARCET), 6(7), 1-8. Florida: University Of Florida.

Farhan, S. (2019). Pendeteksian Objek Manusia Secara Real Time Dengan Metode
MobileNet-Ssd Menggunakan Movidus Neural Compute Stick pada
Raspberry Pi. Skripsi. Universitas Sumatera Utara Medan.

Farid, E. R. (2020). Penerapan Image Classificaion Dengan Pre-Trained Model

MobileNet Dalam Client-Side Machine Learning. Skripsi. Universitas Islam
Negeri Syarif Hidayatullah Jakarta.

Faris, F. R., Hertiana, B., & Reza, F. I. (2021) Analisis Sistem Deteksi Penggunaan
Hard Hat Pada Pekerja Konstruksi Menggunakan Metode Syaraf Tiruan
Konvolusi. Jurnal. Universitas Telkom Bandung.

Hakim, D. M., & Rainarli, E. (2019). Convolutional Neural Network untuk

Pengenalan Citra Notasi Musik. Techno.COM, 18, 214-226.

Ika, P., & Raharyani, A. (2020). Tingkat pengetahuan dan perilaku masyarakat
Kabupaten Wonosobo tentang Covid-19. Jurnal Ilmiah Kesehatan.

73
 Universiats Sains Al-Quran (UNSIQ) Jawa Tengah Wonosobo.

Indra, F. A. (2019) Implementasi Deep Learning dengan metode Convolutional

Neural Network (CNN) untuk identifikasi objek secara Real Time berbasis
Android. Jurnal. Universitas Halu Oleo Kendari.

Jeon, W. S., & Rhee, S. Y. (2017). Fingerprint pattern classification using

convolutional neural network. International Journal of Fuzzy Logic and
Intelligent Systems. 17(3), 170-176. Binus University. Diakses dari
http://dx.doi.org/10.5391/IJFIS.2017.17.3.170.

Kusumanto, R. D., & Tompunu, A. N. (2011). Pengolahan Citra Digital Untuk

Mendeteksi Objek Menggunakan Pengolahan Warna Model Normalisasi
RGB, 2011(Semantik). Jurnal. Politeknik Negeri Sriwijaya Palembang.

Mishelsanti, D., Guichi, Y., Ene, A-D., Stef, R., Nasrollahi, K., & Moeslund, T.
B. (2017). Fast Fingerprint Classification With Deep Neural Network. In VISAPP -
International Conference on Computer Vision Theory and Applications,1-9.
Denmark: Aalborg University.

Nurhikmat, T. (2018). Implementasi Deep Learning untuk Image Classification

Menggunakan Algoritma Convolutional Neural Network (CNN) Pada Citra
Wayang Golek. Universitas Islam Indonesia. Diakses dari
https://doi.org/10.13140/RG.2.2.10880.53768

Octavienty, H. I., & Khairani, T. N. (2019). Hubungan tingkat kepatuhan terhadap

kepatuhan minum obat pada pasien Tuberkulosis Paru di UPT PUSKESMAS
Simalingkar Kota Medan. Jurnal Farmasi Dunia. 3(3), 123- 130.

PERGUB No. 20. (2021). Penerapan disiplin dan penegakan hukum protokol
kesehatan dalam upaya pencegahan dan pengendalian Corona Virus Disease
2019.

Ponti, M. A., Ribeiro, L. S. F., Nazare, T. S., Bui, T., & Collomosse, J. (2018).
Everything You Wanted to Know about Deep Learning for Computer Vision
but Were Afraid to Ask. In Proceedings - 2017 30th SIBGRAPI Conference
on Graphics, Patterns and Images Tutorials SIBGRAPI-T 2017 (Vol. 2018-
Janua, pp. 17–41). Inggris: Surrey University. Diakses dari
https://doi.org/10.1109/SIBGRAPI-T.2017.12

Putra, I. S. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network

(CNN) Pada Caltech 101. Institut Teknologi Sepuluh Nopember, Teknik
Informatika, Surabaya.

Rena, P. N. (2019). Penerapan Metode Convolutional Neural Network Pada

Pendeteksi Gambar Notasi Balok. Universitas Islam Negeri Syarif
Hidayatullah, Teknik Informatika, Jakarta.

74
Shukla, N., & Fricklas, K. (2018). Machine learning with tensorflow. New York:
Manning Publications.

Sinuraya, R. K., Destiani, D. P., Puspitasari, I. M., & Diantini, A. (2018). Tingkat
kepatuhan pengobatan pasien Hipertensi di fasilitas kesehatan tingkat
pertama di Kota Bandung, Jurnal farmasi klinik Indonesia, 7(2). Universitas
Padjajaran Sumedang.

Smithsonian. (2020). Bagaimana saya bisa melindungi diri sendiri dan orang lain?.
Science for global goals. Smithsonian Institution.

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance

measures for classification tasks, Inf. Process. Manag., vol. 45, no. 4, hal.
427–437. University Of Montreal Canada

Susilo. (2020). Coronavirus disease 2019 Tinjauan literatur terkini, jurnal penyakit
dalam Indonesia, 7(1). Universitas Indonesia Jakarta.

Syarifah, R. D. (2018). Deep Learning Object Detection Pada Video Menggunakan

Tensorflow dan Convolutional Neural Network. Skripsi. Universitas Islam
Indonesia Yogyakarta

Taufiq, I. (2018). Deep Learning Untuk Deteksi Tanda Nomor Kendaraan Bermotor
Menggunakan Algoritma Convolutional Neural Network Dengan Python Dan
Tensorflow. Skripsi. Sekolah Tinggi Manajemen Informatika dan Komputer
AKAKOM.

Triano, N. (2018) Implementasi Deep Learning Untuk Image Classification

Menggunakan Algoritma Convolutional Neural Network (CNN) Pada Citra
Wayang Golek. Skripsi. Universitas Islam Indonesia Yogyakarta.

Xiaoqin, F., Rong, X., Junyang, S., & Shuo, Z. (2019). Population Statistics
Algorithm Based on MobileNet. Beijing Engineering Research Center for IoT
software and systems, Beijing University of Technology. China

Wayan, I. S. E. P., Wijaya, A. Y., & Soelaiman, R. (2016). Klasifikasi citra

menggunakan Convolutional Neural Network (CNN) pada Caltech 101.
Jurnal Teknik ITS, 5(1), 1-5. Institut Teknologi Surabaya.

World Health Organization (WHO). (2020). Coronavirus disease (COVID-19)

pandemic Diakses dari
https://www.who.int/emergencies/diseases/novelcoronavirus-2019.

75
Lampiran 1. Data Inspeksi Kecacatan Telur Ayam di UD. Sibonu Indah
Jenis Cacat Presentase
Hari Jumlah Total Telur Cacat
ke- Produksi Pecah Kulit Retak Kotor
Kulit Telur Cacat
(%)
Tipis Pucat Kecil
1 18900 52 9 287 119 326 1243 2036 10,77
2 18650 56 4 290 83 445 1258 2136 11,45
3 19500 48 9 297 71 371 1243 2039 10,45
4 19650 31 9 278 132 261 1150 1861 9,47
5 19050 33 9 294 149 310 1278 2073 10,88
6 19590 64 3 277 111 333 1196 1984 10,12
7 19030 49 4 300 135 361 1281 2130 11,19
8 18870 60 5 278 71 484 1428 2326 12,32
9 18840 81 4 300 106 379 1317 2187 11,60
10 19200 78 3 272 90 346 1324 2113 11,00
11 19230 28 8 280 63 360 1217 1956 10,17
12 19050 52 7 292 130 305 1344 2130 11,18
13 19100 79 8 286 60 418 1298 2149 11,25
14 19080 76 7 281 116 300 1211 1991 10,43
15 19260 46 5 294 70 395 1217 2027 10,52
16 19400 34 9 268 134 320 1229 1994 10,27
17 19740 60 8 264 78 437 1306 2153 10,90
18 18690 54 9 264 122 358 1305 2112 11,30
19 18990 48 5 290 64 408 1243 2058 10,83
20 19979 69 10 265 94 351 1329 2118 10,60
21 19300 58 5 262 68 430 1255 2078 10,76
22 18790 69 5 289 137 348 1252 2100 11,17
23 18840 64 3 281 133 274 1261 2016 10,70
24 18750 50 6 290 77 382 1332 2137 11,39
25 19035 59 9 267 109 354 1199 1997 10,49
26 18810 72 6 286 149 294 1256 2063 10,96
27 18898 52 6 269 129 422 1286 2164 11,45
28 19200 62 5 289 116 358 1210 2040 10,62
29 18680 69 10 260 135 281 1328 2083 11,15
30 18970 76 5 284 89 360 1326 2140 11,28
Total 573072 1729 195 8434 3140 10771 38122 62391 10,88711
Lampiran 2. Data Inspeksi Cacat Diagram Kontrol Demerit
Kriteria Cacat Jumlah
Jumlah
Sub grup Produk
produksi A B C Cacat
1 18900 61 732 1243 2036
2 18650 60 818 1258 2136
3 19500 57 739 1243 2039
4 19650 40 671 1150 1861
5 19050 42 753 1278 2073
6 19590 67 721 1196 1984
7 19030 53 796 1281 2130
8 18870 65 833 1428 2326
9 18840 85 785 1317 2187
10 19200 81 708 1324 2113
11 19230 36 703 1217 1956
12 19050 59 727 1344 2130
13 19100 87 764 1298 2149
14 19080 83 697 1211 1991
15 19260 51 759 1217 2027
16 19400 43 722 1229 1994
17 19740 68 779 1306 2153
18 18690 63 744 1305 2112
19 18990 53 762 1243 2058
20 19979 79 710 1329 2118
21 19300 63 760 1255 2078
22 18790 74 774 1252 2100
23 18840 67 688 1261 2016
24 18750 56 749 1332 2137
25 19035 68 730 1199 1997
26 18810 78 729 1256 2063
27 18898 58 820 1286 2164
28 19200 67 763 1210 2040
29 18680 79 676 1328 2083
30 18970 81 733 1326 2140
Jumlah 573072 1924 22345 38122 62391

44
Lampiran 3. Data Jumlah Cacat Terboboti Tiap Kategori dan Tiap Sub Grup
Sub grup A B C Di
1 56,7442 44,2605 11,5628 112,5674
2 55,8140 49,4605 11,7023 116,9767
3 53,0233 44,6837 11,5628 109,2698
4 37,2093 40,5721 10,6977 88,4791
5 39,0698 45,5302 11,8884 96,4884
6 62,3256 43,5953 11,1256 117,0465
7 49,3023 48,1302 11,9163 109,3488
8 60,4651 50,3674 13,2837 124,1163
9 79,0698 47,4651 12,2512 138,7860
10 75,3488 42,8093 12,3163 130,4744
11 33,4884 42,5070 11,3209 87,3163
12 54,8837 43,9581 12,5023 111,3442
13 80,9302 46,1953 12,0744 139,2000
14 77,2093 42,1442 11,2651 130,6186
15 47,4419 45,8930 11,3209 104,6558
16 40,0000 43,6558 11,4326 95,0884
17 63,2558 47,1023 12,1488 122,5070
18 58,6047 44,9860 12,1395 115,7302
19 49,3023 46,0744 11,5628 106,9395
20 73,4884 42,9302 12,3628 128,7814
21 58,6047 45,9535 11,6744 116,2326
22 68,8372 46,8000 11,6465 127,2837
23 62,3256 41,6000 11,7302 115,6558
24 52,0930 45,2884 12,3907 109,7721
25 63,2558 44,1395 11,1535 118,5488
26 72,5581 44,0791 11,6837 128,3209
27 53,9535 49,5814 11,9628 115,4977
28 62,3256 46,1349 11,2558 119,7163
29 73,4884 40,8744 12,3535 126,7163
30 75,3488 44,3209 12,3349 132,0047

45
Lampiran 4. Kondisi Kontrol Proses Diagram Kontrol Demerit
Sub grup Ui Keputusan
1 0,0060 in control
2 0,0063 in control
3 0,0056 in control
4 0,0045 in control
5 0,0051 in control
6 0,0060 in control
7 0,0057 in control
8 0,0066 in control
9 0,0074 in control
10 0,0068 in control
11 0,0045 in control
12 0,0058 in control
13 0,0073 in control
14 0,0068 in control
15 0,0054 in control
16 0,0049 in control
17 0,0062 in control
18 0,0062 in control
19 0,0056 in control
20 0,0064 in control
21 0,0060 in control
22 0,0068 in control
23 0,0061 in control
24 0,0059 in control
25 0,0062 in control
26 0,0068 in control
27 0,0061 in control
28 0,0062 in control
29 0,0068 in control
30 0,0070 in control

46
Lampiran 5. Data Inspeksi Cacat Diagram Kontrol Fuzzy-u
Kriteria Cacat Jumlah
Jumlah
Sub Grup Produk
produksi A B C D Cacat
1 18900 61 287 445 1243 2036
2 18650 60 290 528 1258 2136
3 19500 57 297 442 1243 2039
4 19650 40 278 393 1150 1861
5 19050 42 294 459 1278 2073
6 19590 67 277 444 1196 1984
7 19030 53 300 496 1281 2130
8 18870 65 278 555 1428 2326
9 18840 85 300 485 1317 2187
10 19200 81 272 436 1324 2113
11 19230 36 280 423 1217 1956
12 19050 59 292 435 1344 2130
13 19100 87 286 478 1298 2149
14 19080 83 281 416 1211 1991
15 19260 51 294 465 1217 2027
16 19400 43 268 454 1229 1994
17 19740 68 264 515 1306 2153
18 18690 63 264 480 1305 2112
19 18990 53 290 472 1243 2058
20 19979 79 265 445 1329 2118
21 19300 63 262 498 1255 2078
22 18790 74 289 485 1252 2100
23 18840 67 281 407 1261 2016
24 18750 56 290 459 1332 2137
25 19035 68 267 463 1199 1997
26 18810 78 286 443 1256 2063
27 18898 58 269 551 1286 2164
28 19200 67 289 474 1210 2040
29 18680 79 260 416 1328 2083
30 18970 81 284 449 1326 2140
Jumlah 573072 1924 8434 13911 38122 62391

47
Lampiran 6. Data Transformasi Trapezoid Fuzzy Number
Fuzzy Number
Sub Grup
A B C D
1 24,5386 91,3182 101,1364 64,9750
2 24,1364 92,2727 120,0000 65,7591
3 22,9295 94,5000 100,4545 64,9750
4 16,0909 88,4545 89,3182 60,1136
5 16,8955 93,5455 104,3182 66,8045
6 26,9523 88,1364 100,9091 62,5182
7 21,3205 95,4545 112,7273 66,9614
8 26,1477 88,4545 126,1364 74,6455
9 34,1932 95,4545 110,2273 68,8432
10 32,5841 86,5455 99,0909 69,2091
11 14,4818 89,0909 96,1364 63,6159
12 23,7341 92,9091 98,8636 70,2545
13 34,9977 91,0000 108,6364 67,8500
14 33,3886 89,4091 94,5455 63,3023
15 20,5159 93,5455 105,6818 63,6159
16 17,2977 85,2727 103,1818 64,2432
17 27,3545 84,0000 117,0455 68,2682
18 25,3432 84,0000 109,0909 68,2159
19 21,3205 92,2727 107,2727 64,9750
20 31,7795 84,3182 101,1364 69,4705
21 25,3432 83,3636 113,1818 65,6023
22 29,7682 91,9545 110,2273 65,4455
23 26,9523 89,4091 92,5000 65,9159
24 22,5273 92,2727 104,3182 69,6273
25 27,3545 84,9545 105,2273 62,6750
26 31,3773 91,0000 100,6818 65,6545
27 23,3318 85,5909 125,2273 67,2227
28 26,9523 91,9545 107,7273 63,2500
29 31,7795 82,7273 94,5455 69,4182
30 32,5841 90,3636 102,0455 69,3136
Rata-rata 25,7991 89,4515 105,3864 66,4247

48
Lampiran 7. Nilai 𝒂𝜶 , 𝒅𝜶 dan 𝒇𝜶𝒎𝒓
Sub Grup 𝑎𝛼 𝑑𝛼 𝛼
𝑓𝑚𝑟
1 64,6064 43,2782 53,9423
2 65,0182 33,2145 49,1164
3 65,8718 43,6873 54,7795
4 59,5091 42,5909 51,0500
5 62,8855 44,2964 53,5909
6 63,6627 39,4836 51,5732
7 65,8009 39,5018 52,6514
8 63,5318 43,7509 53,6414
9 70,9500 44,0127 57,4814
10 64,9609 51,2800 58,1205
11 59,2473 44,1036 51,6755
12 65,2391 53,0891 59,1641
13 68,5991 43,3782 55,9886
14 67,0009 44,5564 55,7786
15 64,3336 38,3764 51,3550
16 58,0827 40,8800 49,4814
17 61,3418 39,0018 50,1718
18 60,5373 43,6909 52,1141
19 63,8918 39,5964 51,7441
20 63,3027 50,4709 56,8868
21 60,1555 37,0545 48,6050
22 67,0800 38,5764 52,8282
23 64,4264 49,9655 57,1959
24 64,3745 48,8127 56,5936
25 61,9145 37,1436 49,5291
26 67,1509 44,6382 55,8945
27 60,6873 32,4200 46,5536
28 65,9536 36,5636 51,2586
29 62,3482 54,3418 58,3450
30 67,2518 49,6745 58,4632
Rata-rata 63,9905 43,0477 53,5191

49
Lampiran 8. Kondisi Kontrol Proses Diagram Kontrol Fuzzy-u dengan Fuzzy
Midrange Transformation
𝛼
Sub Grup 𝑓𝑚𝑟 Keputusan
1 53,9423 in control
2 49,1164 in control
3 54,7795 in control
4 51,0500 in control
5 53,5909 in control
6 51,5732 in control
7 52,6514 in control
8 53,6414 in control
9 57,4814 in control
10 58,1205 in control
11 51,6755 in control
12 59,1641 in control
13 55,9886 in control
14 55,7786 in control
15 51,3550 in control
16 49,4814 in control
17 50,1718 in control
18 52,1141 in control
19 51,7441 in control
20 56,8868 in control
21 48,6050 in control
22 52,8282 in control
23 57,1959 in control
24 56,5936 in control
25 49,5291 in control
26 55,8945 in control
27 46,5536 in control
28 51,2586 in control
29 58,3450 in control
30 58,4632 in control

50
Lampiran 9. Kondisi Kontrol Proses Diagram Kontrol Fuzzy-u dengan Fuzzy
Mode Transformation
Sub Grup Bj Keputusan
1 1 in control
2 0,6757 rather in control
3 1 in control
4 1 in control
5 1 in control
6 1 in control
7 0,9005 rather in control
8 0,5986 rather in control
9 1 in control
10 1 in control
11 1 in control
12 1 in control
13 1 in control
14 1 in control
15 1 in control
16 1 in control
17 0,8173 rather in control
18 0,0108 rether out of control
19 1 in control
20 1 in control
21 0,9271 rather in control
22 1 in control
23 1 in control
24 1 in control
25 1 in control
26 1 in control
27 0,6413 rather in control
28 1 in control
29 0,1306 rether out of control
30 1 in control

51
Lampiran 10. Perbandingan Referensi Data Awal, Diagram Kontrol Demerit
dan Diagram Kontrol Fuzzy-u

Sub Fuzzy-u
Referensi Demerit
grup Midrange Mode
1 in control in control in control in control
2 in control in control in control rather in control
3 in control in control in control in control
4 in control in control in control in control
5 in control in control in control in control
6 in control in control in control in control
7 in control in control in control rather in control
8 in control in control in control rather in control
9 in control in control in control in control
10 in control in control in control in control
11 in control in control in control in control
12 in control in control in control in control
13 in control in control in control in control
14 in control in control in control in control
15 in control in control in control in control
16 in control in control in control in control
17 in control in control in control rather in control
rether out of
18 in control in control in control
control
19 in control in control in control in control
20 in control in control in control in control
21 in control in control in control rather in control
22 in control in control in control in control
23 in control in control in control in control
24 in control in control in control in control

52
Lampiran 10. Perbandingan Referensi Data Awal, Diagram Kontrol Demerit
dan Diagram Kontrol Fuzzy-u (Lanjutan)

Sub Fuzzy-u
Referensi Demerit
grup Midrange Mode
25 in control in control in control in control
26 in control in control in control in control
27 in control in control in control rather in control
28 in control in control in control in control
rether out of
29 in control in control in control
control
30 in control in control in control in control

53
Lampiran 11. Syntax Pembuatan Diagram Kontrol Demerit Menggunakan
Google Colaboratory
#Menghubungkan google colaboratory dengan drive
from google.colab import drive
drive.mount('/content/drive')
# Packages
import pandas as pd
import matplotlib.pyplot as plt
import warnings
#Pemanggilan data
data=pd.read_excel("/content/drive/MyDrive/morina/Demerit.xlsx",
sheet_name="Demerit")
data.tail()
#Membuat plot dan memberi label
x = data['Subgrup']
y = data['Ui']
plt.figure(figsize=(17,8))
plt.plot(x, y, '-o', color='black', label='UI')
plt.plot(x, data['UCL'], color='green', label='UCL')
plt.plot(x, data['CL'], color='purple', label='CL')
plt.plot(x, data['LCL'], color='red', label='LCL')
plt.xlabel('Subgrup Pengamatan')
plt.ylabel('Nilai UI')
plt.legend(loc='lower right')
plt.show()

54
Lampiran 12. Syntax Pembuatan Diagram Kontrol Fuzzy-u dengan Pendekatan
Midrange Transformation Menggunakan Google Colaboratory

#Pemanggilan data
fuzzy = pd.read_excel('/content/drive/MyDrive/morina/midrange.xlsx')
fuzzy.tail(3)
# Membuat plot dan memberi label
sj = fuzzy['Sj']
cl = fuzzy['cl']
lcl= fuzzy['lcl']
ucl= fuzzy['ucl']
plt.figure(figsize=(17,8))
plt.plot(x, sj, '-o', color='black', label='SJ')
plt.plot(x, ucl, color='green', label='UCL')
plt.plot(x, cl, color='purple', label='CL')
plt.plot(x, lcl, color='red', label='LCL')
plt.xlabel('Subgrup Pengamatan')
plt.ylabel('Nilai UI')
plt.legend(loc='lower right')
plt.show()

55
Halaman ini sengaja dikosongkan
 RIWAYAT HIDUP

Penulis bernama Abdul Rahman, lahir di kabupaten Pinrang

Sulawesi Selatan pada tanggal 14 Juli 1998 sebagai anak
ketiga dari empat bersaudara dari pasangan Muhammad
Yusuf dan Hasnawai. Penulis menamatkan pendidikannya di
SD Inpres 2 Bantaya Kec. Parigi pada tahun 2011,
selanjutnya penulis melanjutkan pendidikan di SMP Negeri 2
Parigi dan tamat pada tahun 2013, selanjutnya penulis
melanjutkan pendidikan di SMA Negeri 1 Parigi dan tamat
pada tahun 2016. Pada tahun 2017 penulis melanjutkan pendidikan ke jenjang yang
lebih tinggi di Kota Palu, tepatnya di Universitas Tadulako, Fakultas Matematika dan
Ilmu Pengetahuan Alam di Jurusan Matematika Prodi Statistika. Penulis masuk
melalui jalur Seleksi Mandiri (SM) Perguruan Tinggi Universitas Tadulako pada
tahun 2017.

Selama menempuh pendidikan di Prodi Statistika penulis aktif berorganisasi di

Himpunan Mahasiswa Statistika FMIPA UNTAD pada periode 2018-2019 sebagai
wakil ketua Himpunan serta pada periode 2019-2020 sebagai ketua umum, pernah
menjabat menjadi anggota Badan Riset Mahasiswa FMIPA UNTAD pada periode
2018-2019 serta 2019-2020 sebagai anggota Infokom dan juga sebagai sekertaris
wilayah Persatuan Memanah dan Berkuda Sulawesi Tengah (PERDANA-
SULTENG) pada periode 2018-2020. Penulis juga pernah menjadi asisten dosen
pada praktikum mata kuliah Komputasi Statistik. Selain itu, penulis juga
melaksanakan praktek kerja magang di Dinas Perumahan dan Kawasan Permukiman
Kabupaten Parigi Moutong dan di tempatkan di Sub Bagian Perencanaan Program
Permukiman.
Halaman ini sengaja dikosongkan
 PERBANDINGAN DIAGRAM KONTROL DEMERIT DAN DIAGRAM
KONTROL FUZZY-U PADA PENGONTROLAN KUALITAS PRODUKSI TELUR
AYAM DI UD. SIBONU INDAH KABUPATEN SIGI

Morina A. Fathan1, Rais2, Mohammad Fajri 3

1
Mahasiswa Program Studi Statistika Universitas Tadulako
2,3
Dosen Program Studi Statistika Universitas Tadulako

ABSTRACT
The rapid development in the economic sector makes it necessary to control the quality of
the product properly so as not to cause losses. One product that needs to be controlled for
quality is chicken eggs. The process of producing chicken eggs which is done manually
causes a mismatch between the products. In this research, control using demerit control
chart and fuzzy-u control chart was conducted to determine and compare both of the
control charts models in the case of chicken egg production at UD. Sibonu Indah. The
demerit control chart shows controlled conditions with CL of 0.0061, UCL of 0.0364 and
LCL of -0.0242. The fuzzy-u control chart with the midrange transformation approach also
shows controlled conditions. Meanwhile, the fuzzy-u control chart with the mode
transformation approach shows the rather in control conditions are 6 sub-groups of
observations and 2 sub-groups of observations are rather out of control. This shows that the
fuzzy-u control chart with the mode transformation approach is more sensitive in detecting
problems in the production process.

Keywords : Quality Control, Chicken Eggs, Demerit, Fuzzy-u, UCL, LCL and CL

1. PENDAHULUAN
Era modern seperti saat ini, terjadi perkembangan yang sangat pesat di berbagai
bidang ekonomi. Perkembangan yang menjadi sorotan utama saat ini adalah kualitas dari
suatu produk. Salah satu faktor penting dalam upaya meningkatkan profit suatu perusahaan
yaitu dengan menawarkan suatu produk dengan daya saing yang tinggi. Manajemen proses
produksi yang baik akan menekan tingkat kerusakan produk (product defect) dari suatu
kegiatan produksi dan meningkatkan kualitas dari produk tersebut sehingga kerugian pada
hasil produksi dapat terkendali dengan baik (Hasan, 2017).
Menurut (Mahid et al., 2018), salah satu produk yang perlu ditingkatkan
kualitasnya adalah telur ayam. Pengendalian kualitas sangat penting dilakukan oleh
peternak agar telur yang dihasilkan sesuai dengan standar yang telah ditetapkan oleh badan
lokal dan internasional yang mengelola tentang standarisasi mutu atau kualitas dan
tentunya sesuai dengan apa yang diharapkan oleh konsumen. Telur merupakan salah satu
sumber protein hewani yang mudah dicerna, bergizi tinggi dan digemari banyak orang.
Masyarakat Indonesia umumnya mencukupi kebutuhan protein dengan mengkonsumsi
telur karena mudah didapat, mudah diolah dan harganya terjangkau dibandingkan daging
(Afifah, 2013). Pada tahun 2019 produksi telur ayam ras Kabupaten Sigi menduduki urutan
ke-5 di Sulawesi Tengah dengan jumlah produksi telur ayam ras sebesar 676.495 ton (BPS,
2020).
Pengendalian kualitas yang dilaksanakan dengan baik akan memberikan dampak
terhadap kualitas telur yang dihasilkan oleh peternak. Proses pelaksanaan produksi telur
ayam yang dilakukan secara tradisional (manual) menyebabkan seringkali masih
ditemukan ketidaksesuaian antara produk yang dihasilkan dengan yang diharapkan, dengan
kata lain produk yang dihasilkan mengalami kecacatan produk. Oleh karena itu diperlukan
upaya dari pihak perusahaan untuk meminimalisir kecacatan yang terjadi dengan
melakukan pengawasan dan pengendalian kualitas (Mahid et al., 2018).
Cacat yang terjadi pada proses pelaksanaan produksi dapat lebih dari satu cacat dan
antar jenis cacat dapat dikategorikan menjadi kelas cacat yang berbeda menurut tingkat
keparahan cacat yang ditimbulkan. Oleh karena itu, analisis pengendalian kualitas yang
dapat digunakan adalah diagram kontrol jenis kesalahan atau diagram kontrol u atau
diagram kontrol demerit. (Putri & Aksioma, 2018). Demerit berasal dari kata Bahasa
Inggris yang berarti cela, kekurangan, kecacatan (Yemima et al., 2014). Diagram kontrol
demerit merupakan salah satu pengembangan dari diagram kontrol u yang dalam prosesnya
diagram ini menggunakan pembobot tertentu berdasarkan tingkat keparahan cacatnya
(Arina, 2012).
Menurut (Ahlisa, 2015), salah satu diagram kontrol u yang sering digunakan adalah
diagram kontrol Fuzzy-u. Fuzzy secara harfiah diartikan sebagai kabur atau samar-samar,
yang dimaksud fuzzy secara umum adalah suatu nilai dapat bernilai benar atau salah secara
bersamaan. Diagram kontrol fuzzy sangat sesuai digunakan untuk observasi yang
menghasilkan data (informasi) yang tidak pasti, kurang jelas dan berdasarkan subjektivitas
(persepsi) seseorang.
Penelitian sebelumnya mengenai pengontrolan kualitas telur ayam dilakukan oleh
(Mahid et al., 2018) yaitu analisis pengendalian kualitas produk telur ayam pada UD.
Amina kelurahan Petobo di Kota Palu menggunakan p-chart, dimana dalam penelitian
tersebut menunjukkan bahwa produk cacat diakibatkan oleh 5 kerusakan, yaitu telur
berlubang, telur retak, telur pucat, telur tipis dan telur pecah. Penelitian lainnya mengenai
diagram kontrol fuzzy-u dilakukan oleh (Ahlisa, 2015) yaitu penerapan diagram kontrol
fuzzy-u pada pengendalian kualitas coating thickness di PT. Indal Steel. Serta penelitian
lainnya mengenai pengendalian kualitas kantong semen di PT.Industri kemasan semen
gresik menggunakan peta kendali demerit dan fuzzy demerit dilakukan oleh (Putri &
Aksioma, 2018) dengan membandingkan peta kendali demerit dan fuzzy demerit.
Penelitian ini membahas perbandingan diagram kontrol demerit dan diagram kontrol
fuzzy-u pada pengontrolan kualitas produksi telur ayam di UD. Sibonu Indah Kabupaten
Sigi Sulawesi Tengah. Hal ini dilakukan karena kedua diagram tersebut sangat cocok
diterapkan pada jenis cacat yang lebih dari satu cacat dan antar jenis cacat memiliki
pembobot tertentu berdasarkan tingkat keparahannya, hanya saja diagram kontrol fuzzy-u
menerapkan metode fuzzy.
2. METODE
2.1 Lokasi Penelitian
Adapun yang menjadi lokasi penelitian yaitu UD. Sibonu Indah Desa Sibonu
Kabupaten Sigi Sulawesi Tengah.

2.2 Data
Data yang digunakan dalam penelitian ini adalah data primer tentang produksi telur
ayam ras cacat di UD. Sibonu Indah Kabupaten Sigi Sulawesi Tengah. Adapun data
tersebut dibagi menjadi 3 kategori kelas cacat untuk diagram demerit dan 4 kategori kelas
cacat untuk diagram fuzzy-u seperti pada Tabel 1 dan Tabel 2 berikut:

Tabel 1 Kategori kelas cacat untuk diagram demerit

Kategori Jenis Cacat
Kritis (A) Pecah, Kulit Tipis
Mayor (B) Retak, Kotor, Kulit putih
Minor (C) Telur kecil

Tabel 2 Kategori kelas cacat untuk diagram fuzzy-u

Kategori Jenis Cacat
Very serious (A) Pecah, Kulit Tipis
Serious (B) Retak
Moderately serious (C) Kotor, Kulit putih
Minor (D) Telur kecil

2.3 Metode Analisis

1. Mengidentifikasi data inspeksi cacat.
1. Membuat diagram kontrol demerit
a. Melakukan pembobotan pada data atribut tiap kategori cacat.
b. Menghitung jumlah cacat terboboti tiap kategori dengan mengalikan bobot tiap
kategori dengan jumlah cacat tiap kategori.
c. Menghitung jumlah cacat terboboti untuk masing-masing sub grup.
d. Menghitung rata-rata cacat per unit pemerikasaan untuk setiap subgroup.
e. Menghitung rata-rata cacat per unit untuk jenis cacat terboboti secara
keseluruhan.
f. Menghitung nilai batas kontrol atas dan batas kontrol bawah serta nilai tengah
g. Membuat diagram kontrol demerit.
h. Menentukan status setiap pengamatan.
2. Membuat diagram kontrol fuzzy-u
a. Melakukan transformasi fuzzy number.
 𝛼
b. Menghitung 𝑓𝑚𝑟 .
c. Menghitung CLmr , UCLαmr dan LCLαmr.
α

d. Menentukan status setiap pengamatan (in control dan out of control).

e. Membuat diagram kontrol fuzzy-u
f. Menghitung rata-rata tiap kategori cacat fuzzy.
g. Menentukan CLmod , LCLmod dan UCLmod.
h. Menentukan nilai βj untuk masing-masing sub grup.
i. Menentukan status setiap pengamatan apakah in control, rather in control,
rather out of control, dan out of control.
3. Perbandingan diagram kontrol demerit dan fuzzy-u.
4. Kesimpulan.

3. HASIL DAN PEMBAHASAN

3.1 Pengontrolan Kualitas Telur Ayam Menggunakan Diagram Kontrol Demerit
Dalam proses pembuatan diagram kontrol demerit, telur cacat pada UD. Sibonu
Indah diidentifikasi menjadi 3 kategori data inspeksi cacat. Selanjutnya dilakukan
pembobotan pada masing-masing kategori atau kelas cacat. Pembobot diagram kontrol
demerit diperoleh dari nilai AQL pada tabel military standart 105 D dengan ketentuan
pada Tabel 3 berikut:

Tabel 3 Bobot diagram kontrol demerit

Kritis Mayor Minor
% % %
AQL 0,065 1 6,5
Bobot 93,0233 6,0465 0,9302

Tahap selanjutnya adalah menghitung nilai ketidaksesuaian (kecacatan) atau jumlah

cacat terboboti untuk tiap kategori dengan mengalikan pembobot tiap kategori cacat
dengan jumlah cacat tiap ketegori sesuai, lalu dilanjutkan dengan menghitung jumlah cacat
terboboti untuk tiap sub grup (𝐷𝑖 ) dan rata-rata cacat per unit pemeriksaan (𝑢𝑖 ) setiap sub
grup Sehingga didapatkan nilai-nilai pada Tabel 4 berikut:

Tabel 4 Hasil Perhitungan Jumlah Cacat Terboboti Setiap Kategori dan Setiap Sub Grup
serta Rata-Rata Cacat Per Unit Pemeriksaan Setiap Sub Grup

Sub grup A B C 𝐷𝑖 𝑢𝑖
1 56,7442 44,2605 11,5628 112,5674 0,0060
2 55,8140 49,4605 11,7023 116,9767 0,0063
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
29 73,4884 40,8744 12,3535 126,7163 0,0068
30 75,3488 44,3209 12,3349 132,0047 0,0070
 Tahap selanjutnya didapatkan nilai rata-rata cacat per unit untuk jenis cacat
terboboti secara keseluruhan (𝑢̅) sebesar 0,0060, nilai 𝜎̂𝑢 sebesar 0,0101 dan batas kontrol
UCL (Upper Control Limit) sebesar 0,0364, CL (Center Line) sebesar 0,0061 dan LCL
(Lower Control Limit) sebesar -0,0242. Selanjutnya nilai-nilai tersebut digunakan untuk
melihat status pengontrolan pada setiap pengamatan dan juga untuk membentuk diagram
kontrol demerit seperti pada Gambar 1 dan Tabel 5 berikut ini:

Gambar 1 Diagram Kontrol Demerit

Berdasarkan Gambar 1 dapat diketahui bahwa garis yang berwarna hitam merupakan
titik pengamatan (Ui), garis yang berwarna hijau merupakan nilai Upper Control Limit
(UCL) yaitu sebesar 0,0364, nilai CL sebesar 0,0061 yakni garis yang berwarna ungu dan
garis yang berwarna merah adalah nilai Lower Control Limit (LCL) yaitu sebesar -0,0242.
Berdasarkan Gambar 1 di atas juga dapat dilihat secara visual bahwa keadaan proses
produksi telur ayam di UD. Sibonu Indah berada dalam kondisi terkendali karena dari 30
sub grup pengamatan yang digunakan, semua berada jauh di dalam batas kontrol yang
telah dihitung sebelumnya.

Tabel 5 Kondisi Kontrol Proses Diagram Kontrol Demerit

Sub grup Ui Keputusan
1 0,0060 in control
2 0,0063 in control
⋮ ⋮ ⋮
29 0,0068 in control
30 0,0070 in control

Berdasarkan Tabel 5 dapat diketahui bahwa dari 30 sub grup pengamatan yang
digunakan, semua sub grup pengamatan menunjukkan hasil keputusan in control yang
artinya semua sub grup pengamatan berada di dalam batas kontrol yang telah dihitung
sebelumnya. Hal ini mengindikasikan tidak adanya masalah pada proses produksi telur
ayam di UD. Sibonu Indah, sehingga tidak perlu dilakukan identifikasi faktor yang
menyebabkan kecacatan produk dan perusahaan bisa beroprasi seperti biasanya dengan
profit yang telah di targetkan oleh perusahaan.
3.2 Pengontrolan Kualitas Telur Ayam Menggunakan Diagram Kontrol Fuzzy-u
Pada proses pembuatan diagram kontrol fuzzy-u, telur cacat pada UD. Sibonu Indah
diidentifikasi menjadi 4 kategori data inspeksi cacat. Selanjutnya melakukan pembobotan
pada masing-masing kategori atau kelas cacat. Pembobot diagram kontrol fuzzy-u
diperoleh dari tabel crispscore dengan ketentuan pada Tabel 6 berikut:

Tabel 6 Bobot diagram kontrol fuzzy-u

Moderately
Very Serious Serious Minor
Serious
Crispscore 0,885 0,700 0,500 0,115
Bobot 0,40227 0,31818 0,227273 0,05227

Tahap selanjutnya adalah melakukan transformasi fuzzy number. Hasil transformasi

trapezoid fuzzy number dapat dilihat pada Tabel 7 sebagai berikut:

Tabel 7 Data Transformasi Trapezoid Fuzzy Number

Fuzzy Number
Sub Grup
A B C D
1 24,5386 91,3182 101,1364 64,9750
2 24,1364 92,2727 120,0000 65,7591
⋮ ⋮ ⋮ ⋮ ⋮
30 32,5841 90,3636 102,0455 69,3136
Rata-rata 25,7991 89,4515 105,3864 66,4247

3.3.1 Diagram Kontrol Fuzzy-u dengan Pendekatan Fuzzy Midrange Transformation

Setelah didapatkan hasil transformasi fuzzy number, kemudian dilakukan perhitungan
menggunakan pendekatan fuzzy midrange transformation, sehingga didapatkan nilai 𝑎𝛼 ,
𝑑 𝛼 dan 𝑓𝑚𝑟
𝛼
seperti pada Tabel 8 sebagai berikut:

Tabel 8 Nilai 𝑎𝛼 , 𝑑 𝛼 dan 𝑓𝑚𝑟

𝛼

Sub Grup 𝑎𝛼 𝑑𝛼 𝛼
𝑓𝑚𝑟
1 64,6064 43,2782 53,9423
2 65,0182 33,2145 49,1164
⋮ ⋮ ⋮ ⋮
30 67,25182 49,6745 58,4631
Rata-rata 63,9905 43,0477 53,5191

Tahap selanjutnya dihitung batas pengontrolan sehingga diperoleh nilai CLαmr sebesar
53,5191, LCLαmr sebesar 31,5721 dan UCLαmr sebesar 754662. Selanjutnya nilai-nilai
tersebut akan digunakan untuk menentukan kondisi kontrol proses atau status pengamatan
pada masing-masing sampel seperti pada Tabel 9 dan Gambar 2 berikut ini:
 Tabel 9 Kondisi Kontrol Proses Diagram Kontrol Fuzzy-u dengan Fuzzy Midrange
Transformation

𝛼
Sub Grup 𝑓𝑚𝑟 Keputusan
1 53,9423 in control
2 49,1164 in control
⋮ ⋮ ⋮
29 58,3450 in control
30 58,4632 in control

𝛼
Berdasarkan Tabel 9 dengan 𝑓𝑚𝑟 menunjukkan sampel fuzzy midrange pada 𝛼-cut,
dapat diketahui bahwa dari 30 sub grup pengamatan yang digunakan menunjukan keadaan
“in control”, yang artinya semua sub grup pengamatan berada di dalam batas kontrol yang
telah dihitung sebelumnya. Hal ini mengindikasikan tidak adanya masalah pada proses
produksi telur ayam di UD. Sibonu Indah. Hasil pengontrolan menggunakan diagram
kontrol fuzzy-u dengan pendekatan midrange transformation secara visual dapat dilihat
pada Gambar 2 sebagai berikut:

Gambar 2 Kontrol Fuzzy-u dengan Pendekatan Fuzzy Midrange Transformation

Berdasarkan Gambar 2 dapat diketahui bahwa garis yang berwarna hitam merupakan
𝛼
titik pengamatan (Sj) atau dalam perhitungan dikenal sebagai nilai 𝑓𝑚𝑟 yang menunjukkan
sampel fuzzy midrange pada 𝛼-cut, garis yang berwarna hijau merupakan nilai UCL
midrange pada 𝛼-cut yaitu sebesar 75,4662, nilai CL midrange pada 𝛼-cut sebesar 53,5191
yakni garis yang berwarna ungu dan garis yang berwarna merah adalah nilai LCL
midrange pada 𝛼-cut yaitu sebesar 31,5721. Berdasarkan Gambar 2 di atas juga dapat
dilihat secara visual bahwa keadaan proses produksi telur ayam di UD. Sibonu Indah
berada dalam kondisi terkendali karena dari 30 sub grup pengamatan yang digunakan,
semuanya berada di dalam batas kontrol yang telah dihitung sebelumnya.
3.3.2 Diagram Kontrol Fuzzy-u dengan Pendekatan Fuzzy Mode Transformation
Data hasil transformasi fuzzy number kemudian digunakan untuk menghitung rata-
rata tiap kategori cacat fuzzy, sehingga didapatkan 𝑈 ̅ = ( 25,7991; 89,4515; 105,3864;
66,4247). Nilai rata-rata tiap kategori cacat fuzzy merupakan nilai tengah (CL) dari sampel
fuzzy yang akan digunakan dalam menentukan nilai CLmod , LCLmod dan UCLmod,
sehingga didapatkan nilai CLmod = (89,4515; 105,3864), nilai LCLmod = (84,2712;
99,7636) dan nilai UCLmod = (94,6318; 111,0092). Selanjutnya akan ditentukan nilai β𝑗
untuk masing-masing sub grup dan menentukan status setiap pengamatan seperti pada
Tabel 10 sebagai berikut:

Tabel 10 Kondisi Kontrol Proses Diagram Kontrol Fuzzy-u dengan Fuzzy Mode
Transformation

Sub Grup 𝛽𝑗 Keputusan

1 1 in control
2 0,6757 rather in control
3 1 in control
⋮ ⋮ ⋮
29 0,1306 rether out of control
30 1 in control

Berdasarkan Tabel 10 dapat diketahui bahwa dari 30 sub grup pengamatan yang
digunakan, terdapat 22 sub grup pengamatan yang berada di dalam batas kontrol (in
control). Terdapat 6 sub grup pengamatan yang menunjukkan rather in control atau
mendekati in control dimana nilai 𝛽𝑗 yang merupakan nilai presentase fuzzy mode berada
lebih dari 50% di dalam batas kontrol yang telah dihitung sebelumnya. Adapun sub grup
pengamatan yang menunjukkan rather in control yaitu sub grup pengamatan ke 2, 7, 8, 17,
21 dan 27. Terdapat 2 pengamatan menunjukkan rather out of control atau mendekati out
of control dimana nilai 𝛽𝑗 berada kurang dari 50% di dalam batas kontrol yang telah
dihitung sebelumnya tetapi tidak benar-benar keluar dari batas kontrol. Adapun sub grup
pengamatan yang menunjukkan rather out of control yaitu pada sub grup pengamatan ke
18 dan 29. Hal ini belum mengindikasikan adanya masalah yang serius pada proses
produksi telur ayam di UD. Sibonu Indah, namun pengontrolan ini bisa menjadi peringatan
dini atau early warning agar perusahaan mulai melakukan pengidentifikasian penyebab
atau faktor-faktor yang mungkin mengakibatkan terindikasi pengamatan rather in control
dan rather out of control serta melakukan perbaikan pada proses produksi agar kecacatan-
kecacatan tersebut tidak semakin banyak.

3.3 Perbandingan Diagram Kontrol Demerit dan Diagram Kontrol Fuzzy-u

Perbandingan diagram kontrol demerit dan diagram kontrol fuzzy-u pada penelitian ini
dilakukan dengan membandingkan status pengontrolan antara diagram kontrol tersebut.
Status pengontrolan tersebut juga akan dibandingkan dengan status data awal yang
didapatkan dari keterangan pemilik UD. Sibonu Indah. Adapun perbandingan tersebut
dapat dilihat pada Tabel 11 berikut:

Tabel 11. Perbandingan Referensi Data Awal, Diagram Kontrol Demerit dan Diagram
Kontrol Fuzzy-u

Fuzzy-u
Sub grup Referensi Demerit
Midrange Mode
1 in control in control in control in control
2 in control in control in control rather in control
⋮ ⋮ ⋮ ⋮ ⋮
28 in control in control in control in control
29 in control in control in control rether out of control
30 in control in control in control in control

Berdasarkan Tabel 11 dapat diketahui bahwa produksi telur ayam di UD. Sibonu
Indah berada dalam kondisi terkendali menurut diagram kontrol demerit dan diagram
kontrol fuzzy-u dengan pendekatan midrange transformation, hal ini sangat sesuai dengan
data referensi yang telah di berikan oleh pemilik UD. Sibonu Indah. Lain halnya dengan
itu, diagram kontrol fuzzy-u dengan pendekatan mode transformation mendeteksi adanya
data-data kecacatan yang hampir keluar dari batas pengontrolan yang telah dihitung
sebelumnya. Data-data tersebut dinyatakan dalam rather in control dan rather out of
control. Data-data tersebut belum mengindikasikan masalah yang serius pada proses
produksinya, namun pengontrolan ini bisa menjadi peringatan dini kepada perusahaan agar
jumlah kecacatan serupa tidak sampai menyebabkan adanya pengamatan yang out of
control sehingga perusahaan dapat mempertahankan bahkan meningkatkan profit dari hasil
produksinya.

4. KESIMPULAN
Berdasarkan hasil dan pembahasan yang telah dilakukan pada penelitian ini, maka
dapat disimpulkan bahwa diagram kontrol demerit pada produksi telur ayam di UD.
Sibonu Indah dengan nilai CL sebesar 0,0061 serta batas kontrol UCL dan LCL sebesar
0,0364 dan -0,0242 menunjukkan keadaan kontrol proses produksi dalam kondisi
terkendali secara visual maupun statistik. Diagram kontrol fuzzy-u pada produksi telur
ayam di UD. Sibonu Indah menggunakan pendekatan midrange transformation dengan
nilai CL midrange pada 𝛼-cut sebesar 53,5191, UCL midrange pada 𝛼-cut sebesar 75,4662
dan LCL midrange pada 𝛼-cut sebesar 31,5721 secara visual maupun statistik
menunjukkan keadaan dalam kondisi terkendali. Diagram kontrol fuzzy-u dengan
pendekatan mode transformation menunjukkan terdapat 22 sub grup pengamatan yang
berada di dalam batas kontrol (in control), 6 sub grup pengamatan yang menunjukkan
rather in control dan 2 sub grup pengamatan menunjukkan rather out of control.
Perbandingan diagram kontrol demerit dan diagram kontrol fuzzy-u pada produksi telur
ayam di UD. Sibonu Indah dapat dilihat dari keputusan pada setiap sub grup pengamatan
pada masing-masing diagram kontrol. Hasil analisis menunjukkan bahwa diagram kontrol
fuzzy-u lebih sensitif mendeteksi masalah dalam proses produksi jika dibandingkan dengan
diagram kontrol demerit, hal ini ditunjukan oleh diagram kontrol fuzzy-u dengan
pendekatan mode transformation yang mendeteksi adanya data-data kecacatan yang
hampir keluar dari batas pengontrolan.

DAFTAR PUSTAKA

Afifah, N. (2013). Uji Salmonella Shigella Pada Telur Ayam Yang Disimpan Pada Suhu
dan Waktu Yang Berbeda. Jurnal Ilmiah Edu Research, 2(1), 35–38.
Ahlisa, A. H. (2015). Penerapan Diagram Kontrol Fuzzy-U Pada Pengendalian Kualitas
Coating Thickness di PT. Indal Steel Pipe (Surabaya). Institut Teknologi Sepuluh
Nopember.
Arina, F. (2012). Pengontrolan Kualitas Dengan Menggunakan Diagram Kontrol Demerit.
Teknika: Jurnal Sains dan Teknologi, 8(2), 99–104.

[BPS] Badan Pusat Statistik. (2020). Sulawesi Tengah Dalam Angka. Sulawesi Tengah.
Badan Pusat Statistik.
Hasan, R. (2017). Penerapan Metode Six Sigma Dmaic Phases Dalam Analisis
Pengendalian Kualitas Produk (Studi Kasus: Produk Bata Ringan Pada PT. Bumi
Sarana Beton Kalla Block) (Makassar). Universitas Islam Negeri Alauddin
Makassar.

Mahid, D. A., Kaseng, S., & Syamsuddin. (2018). Analisis Pengendalian Kualitas Produk
Telur Ayam Pada Ud Amina Kelurahan Petobo Di Kota Palu. Jurnal Ilmu
Manajemen Universitas Tadulako, 4(3), 271–280.

Putri, N. E., & Aksioma, D. F. (2018). Pengendalian Kualitas Kantong Semen di PT.
Industri Kemasan Semen Gresik Menggunakan Peta Kendali Demerit dan Fuzzy
Demerit. Jurnal Sains dan Seni ITS, 7(2), 156–161.
Yemima, O., Nohez, D. A., & Nasution, Y. N. (2014). Penerapan Peta Kendali Demerit
dan Diagram Pareto Pada Pengontrolan Kualitas Produksi (Studi Kasus: Produksi
Botol Sosro